Upload
doancong
View
248
Download
0
Embed Size (px)
Citation preview
1
LUCIANO APARECIDO BARBOSA
PREVISÃO DE LOCALIZAÇÃO FUTURA DE VEÍCULOS BASEADA EM DADOS DE AVL
São Paulo 2010
2
LUCIANO APARECIDO BARBOSA
PREVISÃO DE LOCALIZAÇÃO FUTURA DE VEÍCULOS BASEADA EM DADOS DE AVL
Dissertação apresentada á Escola Politécnica da Universidade de São Paulo para a obtenção do título de Mestre em Engenharia. Área de Concentração: Engenharia de Transportes – Informações Espaciais Orientador: Prof. Dr. Marcos Rodrigues
São Paulo 2010
3
Autorizo a reprodução e divulgação total ou parcial deste trabalho, por qualquer meio
convencional ou eletrônico, para fins de estudo e pesquisa, desde que citada a
fonte.
Este exemplar foi revisado e alterado em relação à versão original, sob responsabilidade única do autor e com a anuência de seu orientador. São Paulo, .... de outubro de 2010. Assinatura do autor ____________________________ Assinatura do orientador _______________________
FICHA CATALOGRÁFICA
Barbosa, Luciano Aparecido
Previsão de localização futura de veículos baseada em dados
de AVL / L.A. Barbosa. -- ed.rev. -- São Paulo, 2010. 117 p.
Dissertação (Mestrado) - Escola Politécnica da Universidade
de São Paulo. Departamento de Engenharia de Transportes.
1. Sistemas inteligentes de transportes 2. Veículos (Localiza- ção) 3. Rastreamento I. Universidade de São Paulo. Escola Poli-técnica. Departamento de Engenharia de Transportes II. t.
i
Dedico este trabalho aos meus queridos
pais Jamiro e Sueli, e aos meus irmãos
Leandro e Lucas.
ii
AGRADECIMENTOS
Meus sinceros agradecimentos...
Ao meu orientador Prof. Dr. Marcos Rodrigues pela confiança, parcimônia e apoio,
que em todas as reuniões muito me ensinou, contribuindo para meu crescimento
científico e intelectual.
Ao Prof. Dr. José Alberto Quintanilha e ao Prof. Dr. Carlos Eduardo Cugnasca pelas
sugestões apresentadas durante a realização do exame de qualificação, que foram
muito oportunas para a conclusão desta pesquisa.
Ao colega Eduardo Jun Shinowara pelas discussões e constante colaboração.
Aos colegas Mariana, Cláudia, Patrícia, Joana, Rodrigo e demais colegas do
Laboratório de Geoprocessamento pela receptividade, companheirismo e amizade.
À escola Politécnica da Universidade de São Paulo, pela oportunidade de realização
do curso de mestrado.
A CAPES, pela concessão de bolsa durante o período de 24 meses, para a
realização deste trabalho.
À Empresa Logica América do Sul Soluções de Tecnologia Ltda., pelo apoio e
incentivo para a conclusão deste trabalho.
Enfim, aos meus queridos pais Jamiro e Sueli, que sempre incentivaram seus filhos
para o estudo e nunca mediram esforços para isso. Aos meus irmãos Leandro e
Lucas pelo incansável apoio e afeto, e a todos os meus familiares pelo incentivo
constante.
iii
“A melhor maneira de prever o futuro é criá-lo.”
Peter Drucker
iv
RESUMO
BARBOSA, L. A. Previsão de localização futura de veículos baseada em dados de AVL. 2010. 117 f. Dissertação (Mestrado) – Departamento de Engenharia de Transportes, Escola Politécnica da Universidade de São Paulo, São Paulo, 2010.
O crescente desenvolvimento de aplicações utilizadas por dispositivos móveis que fazem uso das tecnologias de posicionamento via satélite e comunicação móvel, juntamente com a popularização destes dispositivos, sejam eles celulares ou GPS’s (Global Positioning System) automotivos reforçam ainda mais a necessidade de representação e o entendimento a cerca das entidades móveis retratadas nestes dispositivos e incentivam estudos que forneçam um significado maior do que a simples representação posicional destas entidades. Considera-se neste trabalho, que estas entidades móveis são veículos rastreados via satélite que fornecem sua posição espacial, determinada por um par de coordenadas geográficas (latitude e longitude), coletadas em intervalos de tempo regulares para sistemas AVL (Automatic Vehicle Location) que são responsáveis pelo monitoramento do estado destes veículos. Neste trabalho, foram desenvolvidas funções para a previsão da localização e geração de padrões dos veículos monitorados por sistemas AVL. Para tanto, as paradas efetuadas pelos veículos irão definir regiões comuns de parada ocorridas durante um intervalo de tempo passado e serão consideradas como um padrão de localização, enquanto que as trajetórias serão utilizadas para definir o padrão de movimentação. Os relacionamentos topológicos que estes padrões possuem irão definir por meio de condições espaciais/direcionais e temporais quais serão as regiões de paradas consideradas como prováveis destinos, a partir de outra região de parada, considerada como origem e, permitirão a geração de matrizes com valores de frequências relativas que consideram o número de visitas que uma região recebe a partir da outra. O que possibilita extrair valores de probabilidade condicional para cada destino provável. Portanto, a metodologia proposta e as funções desenvolvidas que foram validadas em experimentos, que utilizaram dados reais de rastreamento, fornecem uma camada inicial de inteligência aos sistemas AVL, que proporciona aos controladores destes sistemas utilizarem consultas preditivas, identificarem mais facilmente anomalias de comportamento, que possam evidenciar alguma ocorrência incomum na movimentação do veículo, além de aumentar a segurança dos veículos que possuem um dispositivo de rastreamento por meio da definição de padrões inerentes ao veículo. Palavras-chave: Sistemas Inteligentes de Transporte. Localização Automática de Veículos. Sistema de Posicionamento Global. Sistemas de Informações Geográficas. Padrão. Previsão.
v
ABSTRACT
BARBOSA, L. A. Future location prediction of vehicles based on data AVL. 2010. 117 f. Dissertação (Mestrado) – Departamento de Engenharia de Transportes, Escola Politécnica da Universidade de São Paulo, São Paulo, 2010.
The increasing development of applications used by mobile devices that make use of the technologies of satellite positioning and mobile communications, along with the popularity of these devices, whether cell phones or GPS's (Global Positioning System) automotive further reinforce the need for representation and understanding about the mobile entities represent in these devices and encourage studies that provide a greater meaning than the simple positional representation of these entities. It is considered in this work that these entities are tracked vehicles that provide satellite spatial position, determined by a pair of coordinates (latitude and longitude), collected at regular time intervals for systems AVL (Automatic Vehicle Location) that are responsible for monitoring the state of these vehicles. In this work, functions have been developed to predict the location and pattern generation of vehicles monitored by AVL systems. Accordingly, these stops will define common regions of the stop occurred during a period of time past and will be considered as the pattern location, while the trajectories are used to define the pattern of movement of the vehicle. The topological relationships that have these patterns define conditions through spatial/directional and temporal, which are stops regions considered as probable destinations from another stop region, regarded as origin and allow the generation of matrices with values of frequencies on considering the number of visits that region receives from the other. What makes it possible to extract values of conditional probability for each likely destination. Therefore, the proposed methodology and functions developed that been validated in experiments using real data to tracking provide a initial layer of intelligence to the AVL system that gives drivers of these systems use predictive queries, more easily identify behavioral abnormalities that may show some unusual occurrence in moving the vehicle, in addition to increasing the safety of vehicles which have a tracking device by setting patterns relating to the vehicle. Keywords: Intelligent Transportation Systens (ITS). Automatic Vehicle Location (AVL). Global Positioning System (GPS). Geographic Information System (GIS). Patterns. Prediction.
vi
LISTA DE ILUSTRAÇÕES FIGURA 1. NUVEM DE PONTOS DE RASTREAMENTO – PARADOS E EM
MOVIMENTO. ..................................................................................................... 15
FIGURA 2. PONTOS DE RASTREAMENTO QUE REPRESENTAM PERÍODOS
DISTINTOS ONDE O VEÍCULO ESTEVE PARADO. .......................................... 16
FIGURA 3. PARADAS OCORRIDAS EM INTERVALOS DE TEMPO DISTINTOS
PARA UM ÚNICO VEÍCULO. .............................................................................. 17
FIGURA 4. REGIÃO DE PARADA - PARADAS OCORRIDAS EM PERÍODOS
DISTINTOS PARA UM ÚNICO VEÍCULO. .......................................................... 18
FIGURA 5. COMPONENTES DE UM SISTEMA AVL.. .............................................. 33
FIGURA 6. EQUIPAMENTOS EMBARCADOS DE UM VEÍCULO DE PASSEIO. ..... 34
FIGURA 7. CONSTELAÇÃO GPS. ............................................................................ 39
FIGURA 8. POSICIONAMENTO ABSOLUTO CINEMÁTICO.. .................................. 40
FIGURA 9. SISTEMA DE REFERÊNCIA TERRESTRE WGS84.. ............................. 41
FIGURA 10. EFEITO DO SA NOS RESULTADOS DE POSICIONAMENTO GPS COM
UM RECEPTOR DE SIMPLES FREQUÊNCIA, À ESQUERDA O SA ATIVO E A
DIREITA APÓS A DESATIVAÇÃO DO SA.. ........................................................ 42
FIGURA 11. COBERTURA NACIONAL GSM DA OPERADORA CLARO.. ............... 45
FIGURA 12. EVOLUÇÃO 3G DOS PROTOCOLOS GSM E CDMA.. ......................... 46
FIGURA 13. EXTENSÃO GEOGRÁFICA DOS DADOS DE RASTREAMENTO. ....... 51
FIGURA 14. BASE CARTOGRÁFICA – ESTADO DE SÃO PAULO. ......................... 52
FIGURA 15. PROCESSO GERAL PARA A GERAÇÃO DOS PADRÕES E
PREVISÃO. ........................................................................................................ 58
FIGURA 16. QUANTIDADE DE REGISTROS NECESSÁRIOS PARA A DEFINIÇÃO
DO ESTADO DO VEÍCULO. ............................................................................... 61
FIGURA 17. ALGORITMO 1: DEFINIÇÃO DO ESTADO DO VEÍCULO. ................... 62
FIGURE 18. EM (A) TRAJETO DE IDA ENTRE (O-D) E EM (B) TRAJETO DE VOLTA
ENTRE (O-D) ...................................................................................................... 63
FIGURA 19. ALGORITMO 2: DEFINIÇÃO DOS GRUPOS DE PARADAS. ............... 64
FIGURA 20. ALGORITMO 3: GERAÇÃO DA GEOMETRIA DA PARADA E CÁLCULO
DO TEMPO DE DURAÇÃO DA PARADA. .......................................................... 65
FIGURA 21. GEOMETRIAS GERADAS A PARTIR DO BUFFER DE UMA PARADA.
............................................................................................................................ 65
vii
FIGURA 22. ALGORITMO 4: PREENCHE AS INFORMAÇÕES RELACIONADAS AO
PADRÃO DE MOVIMENTAÇÃO. ........................................................................ 68
FIGURA 23. ALGORITMO 5: ARMAZENAR O ÚLTIMO MOVIMENTO REALIZADO
PELO VEÍCULO; ................................................................................................. 69
FIGURA 24. ALGORITMO 6: AGRUPAMENTO E IDENTIFICAÇÃO DE UMA
REGIÃO DE PARADA. ........................................................................................ 72
FIGURA 25. REGIÃO DE PARADAS. ........................................................................ 73
FIGURA 26. INTERVALO DE ORIENTAÇÃO DOS SEGMENTOS DE UMA
TRAJETÓRIA. .................................................................................................... 77
FIGURA 27. IDENTIFICAÇÃO DE UM MESMO CAMINHO. ...................................... 78
FIGURA 28. ALGORITMO 7: DEFINIÇÃO DO ESTADO DO VEÍCULO PARA A
PREVISÃO. ........................................................................................................ 81
FIGURA 29. ALGORITMO 8: IDENTIFICAÇÃO DA ORIGEM NO PADRÃO DE
LOCALIZAÇÃO. .................................................................................................. 83
FIGURA 30(A). CATEGORIZAÇÃO DOS POSSÍVEIS DESTINOS PARA O CÁLCULO
DE PROBABILIDADE – VEÍCULO PARADO. ..................................................... 88
FIGURA 30(B). CATEGORIZAÇÃO DOS POSSÍVEIS DESTINOS PARA O CÁLCULO
DE PROBABILIDADE – VEÍCULO PARADO. ..................................................... 88
FIGURA 30(C). CATEGORIZAÇÃO DOS POSSÍVEIS DESTINOS PARA O
CÁLCULO DE PROBABILIDADE – VEÍCULO EM MOVIMENTO. ...................... 89
FIGURA 30(D). CATEGORIZAÇÃO DOS POSSÍVEIS DESTINOS PARA O
CÁLCULO DE PROBABILIDADE – VEÍCULO EM MOVIMENTO. ...................... 89
FIGURA 31. ALGORITMO 9: CÁLCULO DA PROBABILIDADE CONDICIONAL. ..... 94
FIGURA 32. ALGORITMO 10: CÁLCULO DA PROBABILIDADE DO DESTINO
QUANDO A ORIGEM NÃO FOR ENCONTRADA NO PADRÃO DE
LOCALIZAÇÃO. .................................................................................................. 95
FIGURA 33. PONTOS DE RASTREAMENTO GPS PARA UM VEÍCULO,
SOBREPOSTOS À BASE CARTOGRÁFICA. ..................................................... 97
FIGURA 34. TRAJETÓRIAS DE UM VEÍCULO SOBREPOSTAS À BASE
CARTOGRÁFICA. .............................................................................................. 98
FIGURA 35. REPRESENTAÇÃO DOS PROVÁVEIS DESTINOS DO VEÍCULO 1 DA
TABELA 10. ...................................................................................................... 102
FIGURA 36. REPRESENTAÇÃO DOS TRAJETOS ENTRE A ORIGEM E
PROVÁVEIS DESTINOS DO VEÍCULO 1. ........................................................ 103
viii
LISTA DE TABELAS
TABELA 1 – RELACIONAMENTOS TOPOLÓGICOS ENTRE DUAS GEOMETRIAS
............................................................................................................................ 19
TABELA 2 – COMPARATIVO ENTRE OS SISTEMAS DE COMUNICAÇÃO ............ 35
TABELA 3 – CARACTERÍSTICAS DOS SINAIS GPS ............................................... 42
TABELA 4 – PROTOCOLOS DE TRANSMISSÃO DE DADOS ................................. 44
TABELA 5 – ESTADOS BRASILEIROS E TECNOLOGIAS DE COMUNICAÇÃO
FORNECIDA PELA OPERADORA CLARO. ....................................................... 45
TABELA 6 – BANDAS E CANAIS UTILIZADOS PELO GSM. .................................... 47
TABELA 7 – FREQUÊNCIA DE VISITAS A UM DESTINO A PARTIR DE UMA
ORIGEM (ESPACIAL/DIRECIONAL). ................................................................. 86
TABELA 8 – FREQUÊNCIA DE VISITAS A UM DESTINO A PARTIR DE UMA
ORIGEM (ESPACIAL/DIRECIONAL E TEMPORAL DIA DA SEMANA). ............. 87
TABELA 9 – FREQUÊNCIA DE VISITAS A UM DESTINO A PARTIR DE UMA
ORIGEM (ESPACIAL/DIRECIONAL TEMPORAL DIA DA SEMANA E PERÍODO
DO DIA). ............................................................................................................. 87
TABELA 10 – PROBABILIDADE CONDICIONAL DOS DESTINOS PARA CADA
VEÍCULO. ......................................................................................................... 100
TABELA 11 – PROBABILIDADE (FREQUÊNCIA RELATIVA) DOS DESTINOS PARA
CADA VEÍCULO. .............................................................................................. 101
TABELA 12 – NÚMERO DE REGIÕES DE PARADA DETECTADAS PARA CADA
VEÍCULO. ......................................................................................................... 104
TABELA 13 – DESVIO-PADRÃO DO NÚMERO DE PARADAS PARA CADA CLASSE
DE VEÍCULO. ................................................................................................... 105
ix
LISTA DE SIGLAS ASP Application Service Provider
AVL Automatic Vehicle Location
C/A Coarse Acquisition
CDMA Code Division Multiple Access
DoD Department of Defense
ESA European Space Agency
ETSI European Telecommunications Standards Institute
FDMA Frequency Division Multiple Access
GLONASS GLObal NAvigation Satellite System
GNSS Global Navigation Satellite System
GPS Global Positioning System
GPRS General Packet Radio Service
GRS Geodetic Reference System
GSM Global System for Mobile Communications
ITRF International Terrestrial Reference Frame
IERS International Earth rotation and Reference systems Service
IRM IERS Reference Meridian
IRP IERS Reference Pole
NAVSTAR-GPS NAVigation Satellite with Time And Ranging
PN Pseudo-random
PPS Precise Positioning Service
RF Radiofrequência
SA Selective Availability
SIG Sistemas de Informações Geográficas
SGBD Sistema Gerenciador de Banco de dados
SPS Standard Positioning Service
SMS Short Message Service
TDMA Time Division Multiple Access
WGS84 World Geodetic System of 1984
x
LISTA DE SÍMBOLOS λ Latitude geodésica
φ Longitude geodésica
xi
SUMÁRIO 1 INTRODUÇÃO ....................................................................................................... 13
1.1 OBJETIVOS ................................................................................................. 21
1.2 DESCRIÇÃO DOS CAPÍTULOS .................................................................. 22
2 FUNDAMENTAÇÃO........................................................................................... 23
2.1 ASPECTOS CONCEITUAIS ........................................................................ 23
2.1.1 Objetos Móveis ...................................................................................... 23
2.1.2 Padrões de Objetos Móveis ................................................................... 25
2.1.3 Previsão de Movimentação de Objetos Móveis ..................................... 27
2.1.4 Rastreamento de Veículos .................................................................... 29
2.2 ASPECTOS TÉCNICOS .............................................................................. 31
2.2.1 Sistemas AVL ........................................................................................ 31
2.2.1.1 Aquisição de Dados e Atuação .......................................................... 33
2.2.1.1.1Os Equipamentos Embarcados ...................................................... 33
2.2.1.2 Sistemas de Comunicação ................................................................. 34
2.2.1.3 Gestão da Informação ........................................................................ 35
2.2.2 Técnicas de Posicionamento Utilizadas em AVL ................................... 36
2.2.2.1 Posicionamento do Veículo utilizando o GNSS .................................. 37
2.2.2.1.1O Sistema de Posicionamento Global - GPS ................................. 38
2.3.2 Transmissão de Dados Utilizada em AVL ............................................. 43
2.3.2.1 Transmissão de Dados Via Telefonia Móvel ...................................... 44
2.3.2.1.1O Sistema de Comunicação GSM .................................................. 46
2.4 CONSIDERAÇÕES FINAIS ......................................................................... 48
3 RECURSOS UTILIZADOS NA PESQUISA ....................................................... 49
3.1 DADOS DO RASTREAMENTO .................................................................... 49
3.2 ÁREA DE ESTUDO ...................................................................................... 51
3.2.1 Base Cartográfica .................................................................................. 52
3.3 APOIO COMPUTACIONAL .......................................................................... 53
3.4 CONSIDERAÇÕES FINAIS ......................................................................... 53
xii
4 METODOLOGIA ................................................................................................. 54
4.1 ETAPA I – PREPARAÇÃO DOS DADOS ..................................................... 54
4.2 ETAPA II – GERAÇÃO DE PADRÕES ......................................................... 57
4.2.1 Detecção de Trajetos ............................................................................. 59
4.2.2 Detecção de Paradas ............................................................................ 63
4.2.3 Padrões de Movimentação .................................................................... 66
4.2.3.1 Geração dos Padrões de Movimentação ........................................... 67
4.2.4 Padrões de Localização ........................................................................ 69
4.2.4.1 Geração dos Padrões de Localização ................................................ 70
4.3 ETAPA III – PREVISÃO DE DESTINOS ....................................................... 73
4.3.1 Componente Espacial ............................................................................ 74
4.3.2 Componente Temporal .......................................................................... 75
4.3.2.1 Dias da Semana ................................................................................. 75
4.3.2.2 Períodos do Dia .................................................................................. 76
4.3.3 Componente Direcional ......................................................................... 76
4.3.4 Processo Preditivo ................................................................................. 79
4.3.4.1 Estado Atual do Veículo ..................................................................... 80
4.3.5 Aspectos Estatísticos ............................................................................. 83
4.3.5.1 Probabilidade Condicional .................................................................. 90
4.4 CONSIDERAÇÕES FINAIS ......................................................................... 96
5 EXPERIMENTAÇÃO .......................................................................................... 97
5.1 CONSIDERAÇÕES INICIAIS ....................................................................... 97
5.2 EXECUÇÃO DAS FUNÇÕES DESENVOLVIDAS ........................................ 98
5.3 RESULTADOS OBTIDOS ............................................................................ 99
5.4 CONSIDERAÇÕES FINAIS ....................................................................... 105
6 CONCLUSÃO E RECOMENDAÇÕES ............................................................. 106
6.1 TRABALHOS FUTUROS ........................................................................... 107
REFERÊNCIAS ....................................................................................................... 109
APÊNDICE A .......................................................................................................... 112
APÊNDICE B .......................................................................................................... 113
13
1 INTRODUÇÃO
Consideram-se como objetos móveis para uma modelagem, no âmbito desta
pesquisa, todos aqueles objetos aos quais se podem estabelecer uma relação
espacial, relação esta de movimentação que na maioria das vezes está vinculada à
proximidade de outros objetos e que seja variável no espaço-tempo. Estes objetos
são agentes de inúmeros processos de atividades do cotidiano humano. Isto porque,
assume-se que eles possam ser qualquer coisa que esteja em movimento e, esteja
sendo rastreado, como por exemplo, uma pessoa, um animal, um veículo etc.
O rastreamento de veículos tem como objetivo fornecer e gerenciar
sistematicamente a posição e o estado dos veículos, com vários níveis de exatidão
posicional e intervalo de tempo. O intuito do rastreamento de veículos é aumentar a
eficiência dos despachos de mercadorias, otimizar o uso dos veículos, reduzir o
custo operacional e atender às exigências das gerenciadoras de risco, uma vez que
sua utilização aumenta a segurança da carga, do veículo e do próprio motorista
(RODRIGUES; CUGNASCA; QUEIROZ FILHO, 2009).
Ora, se estes objetos estabelecem relacionamentos no espaço-tempo e estes
relacionamentos se referem às movimentações realizadas por estes objetos, isto
permite imaginá-los como um sistema dinâmico cujo estado se deseja conhecer ao
longo do tempo. Estado este que concerne a um conjunto de propriedades
pertinentes ao sistema num determinado instante de tempo. Portanto, existirão
diferentes estados que este sistema poderá possuir, como por exemplo: “parado” ou
“em movimento” e, é na identificação destes estados que se estaria interessado num
primeiro momento. Uma vez que, a partir desta identificação diferentes ações
poderão ser tomadas em relação a este objeto.
No contexto desta pesquisa, estes sistemas são veículos rastreados via satélite que
atualizam sua informação posicional a uma taxa temporal predefinida. Assim, a
representação cartográfica desta informação posicional produzirá nuvens de pontos
que representam trajetórias onde cada veículo costuma se movimentar ou regiões
onde ele fica parado. Portanto, o estado que este sistema possui num determinado
14
instante de tempo pode ser determinado com base nos pontos de rastreamento,
quando considerado, por exemplo, dois estados possíveis: “parado” e “em
movimento”.
Estes sistemas compõem outro sistema responsável pelo monitoramento destes
veículos. Segundo Rodrigues; Cugnasca e Queiroz Filho (2009), os sistemas que
utilizam o rastreamento de veículos iniciaram sua operação por volta do final da
década de 1960, em Chicago, IL Estados Unidos. Inicialmente denominado de
Automatic Vehicle Location (AVL), foi um sistema criado para ser utilizado como
ferramenta de apoio à gestão de tráfego. Porém, atualmente é utilizado
principalmente como ferramenta de gerenciamento logístico e de risco. No Brasil, é
empregado principalmente por motivos de segurança, com o intuito de prevenir
furtos e/ou recuperar bens. O que é reforçado por Branco (2009a) [...] as gerenciadoras de risco são as principais usuárias dos
softwares, desenvolvidos pelas empresas que atuam na área de
equipamentos para rastreamento e monitoramento de veículos. Os
softwares para o gerenciamento de carros, caminhões e cargas,
dependendo da tecnologia embarcada, são parametrizáveis e têm
características que são imprescindíveis na hora da contratação do
serviço.
Os sistemas AVL são sistemas que permitem o monitoramento de veículos ou
entidades móveis (ex: cargas, pessoas, animais, etc.). Geralmente, estas entidades
móveis são compostas por atributos como posição (Latitude e Longitude), instante
de tempo da coleta da posição, e de qualquer outro atributo que será estabelecido
em razão do propósito de monitoramento da entidade móvel, por exemplo, quando
se considera como entidade móvel um caminhão frigorífico, um atributo que pode
ser interessante monitorar é a temperatura do baú.
A movimentação de veículos monitorados por sistemas AVL pode ser representada
pelas trajetórias, que podem ser consideradas como a história de mudança da
posição do veículo e ainda, podem relacionar as diferentes regiões onde o veículo
costuma estar parado, estabelecendo significados a estas regiões como, por
exemplo: origem e destino.
Com base no que foi mencionado,
de pontos relacionadas por meio de trajetórias
podem ser representadas por uma área que contém todos os pontos
rastreamento que refletem uma parada realizada pelo veículo
representação de uma nuvem de pontos de rastreamento onde os pontos em
vermelho representam paradas efetuadas pelo veículo
sua movimentação.
Figura 1. Nuvem de Pontos de Rastreamento
Porém, estes pontos de rastreamento podem representar
intervalos de tempo distintos
são os pontos que definiem
figura 2 distingue os pontos de rastreamento que representam
intervalos de tempo em que o veículo esteve parado, nela cada cor representa um
intervalo de tempo que o veículo esteve parado
Com base no que foi mencionado, imagina-se que existirão regiões de aglomeração
relacionadas por meio de trajetórias e, que estas regiões de aglomeração
ntadas por uma área que contém todos os pontos
refletem uma parada realizada pelo veículo. A figura
de uma nuvem de pontos de rastreamento onde os pontos em
paradas efetuadas pelo veículo e os pontos na cor verde
Nuvem de Pontos de Rastreamento – Parados e Em Movimento
Porém, estes pontos de rastreamento podem representar paradas ocorridas em
intervalos de tempo distintos. Dessa maneira, torna-se necessário identificar quais
definiem uma parada ocorrida durante um intervalo de tempo.
figura 2 distingue os pontos de rastreamento que representam
em que o veículo esteve parado, nela cada cor representa um
de tempo que o veículo esteve parado.
15
regiões de aglomeração
as regiões de aglomeração
ntadas por uma área que contém todos os pontos de
. A figura 1 ilustra a
de uma nuvem de pontos de rastreamento onde os pontos em
e os pontos na cor verde a
Parados e Em Movimento.
paradas ocorridas em
se necessário identificar quais
intervalo de tempo. A
figura 2 distingue os pontos de rastreamento que representam os diferentes
em que o veículo esteve parado, nela cada cor representa um
Figura 2. Pontos de Rastreamento que representam períodos distintos onde o veículo esteve parado
Para tanto, todos os pontos de
durante um intervalo de tempo,
parada será definida como uma região,
movimentação por um período de tempo e será
igual ao erro de posicionamento considerado
posicionamento médio dos pontos
tal maneira que todos estes pontos
ilustra a geometria resposável por representar cada parada.
Pontos de Rastreamento que representam períodos distintos onde o veículo esteve parado
Para tanto, todos os pontos de rastreamento que definem uma parada
durante um intervalo de tempo, serão representados por uma área.
parada será definida como uma região, na qual o veículo interrompeu sua
movimentação por um período de tempo e será representada po
igual ao erro de posicionamento considerado, com origem definida pelo
posicionamento médio dos pontos de rastreaeamento que definem
tal maneira que todos estes pontos estejam contidos no seu interior.
a a geometria resposável por representar cada parada.
16
Pontos de Rastreamento que representam períodos distintos onde o veículo esteve parado.
rastreamento que definem uma parada, ocorrida
serão representados por uma área. Portanto, uma
na qual o veículo interrompeu sua
por um círculo de raio
origem definida pelo
de rastreaeamento que definem esta parada, de
estejam contidos no seu interior. A figura 3
Figura 3. Paradas ocorridas em
Uma vez que tenham sido definidos todos os pontos de rastreamento que compoêm
uma parada ocorrida durante um intervalo de tempo, é necessário avaliar e
identificar quais paradas pode refletir uma região comum de parada.
se que cada uma destas
o estabelecimento de relacionamentos
a área desta região comum
Assim, o relacionamento
doravante denominada de
temporais das paradas que a compoem
o local onde o veículo costuma
Paradas ocorridas em intervalos de tempo distintos para um único veículo
Uma vez que tenham sido definidos todos os pontos de rastreamento que compoêm
uma parada ocorrida durante um intervalo de tempo, é necessário avaliar e
identificar quais paradas pode refletir uma região comum de parada.
se que cada uma destas paradas reflete uma visita do veículo a uma
estabelecimento de relacionamentos topológicos entre essas paradas
região comum, visitada pelo veículo em diferentes instantes de tempo.
Assim, o relacionamento topológico entre estas paradas define uma
nte denominada de região de parada que reune todas as informações
rais das paradas que a compoem uma única região geográfica, caracterizando
local onde o veículo costuma ficar parado. A figura 4 ilustra esta região comum.
17
distintos para um único veículo.
Uma vez que tenham sido definidos todos os pontos de rastreamento que compoêm
uma parada ocorrida durante um intervalo de tempo, é necessário avaliar e
identificar quais paradas pode refletir uma região comum de parada. Considerando-
paradas reflete uma visita do veículo a uma mesma região,
paradas pode definir
instantes de tempo.
entre estas paradas define uma nova área,
que reune todas as informações
uma única região geográfica, caracterizando
ilustra esta região comum.
Figura 4. Região de Parada
É importante ressaltar que o conceito de
se restringe ao plano bi-
círculo que contém todas as
de proximidade e que, portanto, serão
ocorre em intervalos
relacionamentos topológicos, nela é
considerado para caracterizar uma
de Parada - paradas ocorridas em períodos distintos para um único veículo
É importante ressaltar que o conceito de região de parada, adotado
-dimensional e, portanto, essa região será representada por
círculo que contém todas as paradas que satisfazem um relacionamento topologico
de proximidade e que, portanto, serão consideradas como uma mesma parada
de tempo distintos. A tabela 1 ilustra
relacionamentos topológicos, nela é possível verificar o relacionamento
considerado para caracterizar uma região de parada.
18
ocorridas em períodos distintos para um único veículo.
, adotado nesta pesquisa.
será representada por
que satisfazem um relacionamento topologico
consideradas como uma mesma parada que
ilustra alguns desses
o relacionamento (Área/Área),
19
Tabela 1 – Relacionamentos topológicos entre duas geometrias
A relação espacial com B
Disjuntos Interage
Toca Divide Sobreposições Dentro de Contém Cruza Igual
Ponto/Ponto
Ponto/Linha
Linha/Ponto
Ponto/Área
Área/Ponto
Linha/Linha
Linha/Área
Área/Linha
Área/Área
Fonte: Adaptada de Smallworld (2008).
Mais quais seriam os significados associados a estas regiões de parada? A
periodicidade de ocorrência das paradas que compõem uma região de parada pode
indicar este significado. Por exemplo, considere uma região de parada que ocorre
durante todos os dias úteis da semana das 9h às 18h. Neste caso, o significado
desta região parece evidente, ou seja, ela pode refletir a localização aproximada do
local de trabalho do condutor do veículo.
Portanto, a semântica que cada uma das regiões possui pode ser estabelecida com
base nas informações temporais de cada uma das paradas que compõem esta
região de parada. Este conceito possibilita inferir que qualquer região de parada
possui um significado e, portanto, a dificuldade de identificação deste significado
passa a ser a correta interpretação do cotidiano do condutor do veículo, a partir da
periodicidade de ocorrência das paradas que compõem uma região.
20
Se existe uma periodicidade de ocorrência, tanto das paradas quanto das trajetórias
torna-se possível estabelecer padrões relacionados às paradas e trajetórias do
veículo. Assim, estes padrões refletem os relacionamentos existentes entre as
regiões de paradas e os trajetos realizados pelo veículo, ou seja, indicam por onde o
veículo costuma ficar ou se movimentar.
A manutenção destes padrões num banco de dados possibilitaria a realização de
previsões de localização. Porém, a correta identificação do atual estado do veículo
passa a ser primordial para responder este tipo de questionamento, uma vez que
dependo do atual estado do veículo diferentes análises serão necessárias. Por
exemplo, considere o fato do veículo estar parado, nesta configuração o simples
relacionamento entre as regiões de paradas e as trajetórias prediz quais são os
possíveis destinos deste veículo, desde que seja identificada a região de parada
onde o veículo está parado, isto é, a origem. Por outro lado, quando o veículo estiver
em movimento, a identificação das trajetórias armazenadas no padrão, compatíveis
a trajetória atual do veículo passa a ser relevante no apontamento dos possíveis
destinos, pois, serão a partir da identificação dessas trajetórias que serão
determinadas as possíveis origens do veículo.
Evidente que existirão veículos, aos quais não será possível atribuir padrões
confiáveis que auxiliem o processo preditivo, como por exemplo, veículos de aluguel
ou táxis. Porém, a pesquisa considera que a metodologia e funções desenvolvidas
serão utilizadas no monitoramento de veículos leves que pertençam a pessoas que
possuem hábitos regulares e, portanto, seja possível identificar estes padrões e
relacionamentos e assim, responder questionamentos relacionados aos instantes de
tempo passado e futuro.
A consideração de veículos leves nesta pesquisa ocorre em função das discussões
acerca da Resolução Nº 245 do Conselho Nacional de Trânsito, que se refere a um
dispositivo antifurto com funções de bloqueio remoto e localização, embarcado nos
veículos automotores novos, sejam eles nacionais ou importados. Estas discussões
fornecem a perspectiva de que uma quantidade maior de veículos leves será
rastreada e, por conseguinte surgirão novas aplicações e situações, nas quais os
sistemas AVL podem ser utilizados. Enfim, as aplicações são as mais variadas,
21
considerando-se as diversas tecnologias disponíveis e, portanto, o surgimento de
novas aplicações ficará restrito somente por conta da inspiração e imaginação da
mente humana motivada pela identificação de novas necessidades.
1.1 OBJETIVOS
O objetivo deste trabalho é propor um método que possibilite a previsão de
localização de veículos rastreados via satélite, propondo uma estrutura de bancos
de dados para o armazenamento das informações geradas a partir dos pontos de
rastreamento desses objetos móveis e validar esta estrutura proposta por meio dos
resultados obtidos com o desenvolvimento de funções e a utilização de dados reais
de rastreamento. Considerando-se procedimentos que identificam o estado atual do
veículo e geram padrões com algum significado associado aos pontos de
rastreamento, de modo que a localização futura do veículo deixe de ser apenas um
par de coordenadas.
O método proposto tem como principais contribuições:
Estender os trabalhos relacionados à extração de padrões de comportamento
de veículos.
Atribuir significado às regiões de parada efetuadas pelos veículos rastreados.
Gerar objetos extensos (linhas e polígonos) a partir de objetos pontuais e
estabelecer relacionamentos entre estes objetos.
Predizer a localização de um veículo considerando um valor de probabilidade.
Com isso, os objetivos especificos deste trabalho são:
Implementar funções que possibilitem a geração dos padrões de
comportamento e a previsão da localização do veículo rastreado, a partir dos
dados de rastreamento.
Propor um modelo de dados para objetos móveis que possibilite o
armazenamento de padrões de comportamento e previsão de localização.
22
Validar o método proposto e as funções desenvolvidas pela instanciação de
exemplos de consultas, utilizando dados de rastreamento reais.
1.2 DESCRIÇÃO DOS CAPÍTULOS
Este trabalho é composto por seis capítulos. No Capítulo 2 são apresentados os
trabalhos que contribuíram com a fundamentação conceitual e técnica desta
pesquisa. Os tópicos abordados nesse capítulo se referem a: conceitos e definições
de Objetos Móveis, Rastreamento de Veículos e Sistemas AVL (Automatic Vehicle
Location).
No Capítulo 3 são apresentados os recursos utilizados para o desenvolvimento do
método proposto, como por exemplo, a amostra dos dados de rastreamento, os
recursos computacionais desde configuração de máquina até softwares utilizados.
No Capítulo 4 é apresentada a proposta métodológica para a geração dos padrões
de comportamento relacionados aos veículos rastreados e como obter a previsão de
localização de um determinado veículo, considerando-se o seu estado atual e
padrão de comportamento.
O Capítulo 5 descreve a experimentação realizada com os dados reais do
rastreamento de veículos e apresenta os resultados obtidos.
No Capítulo 6 são apresentadas as conclusões e recomendações para pesquisas
futuras.
23
2 FUNDAMENTAÇÃO
Este capítulo apresenta uma fundamentação conceitual e técnica sobre o
rastreamento de veículos, sobretudo daqueles que utilizam como tecnologia para a
aquisição da posição do veículo os sistemas de posicionamento por satélite.
2.1 ASPECTOS CONCEITUAIS
Neste item são abordados aspectos conceituais relacionados ao rastreamento de
veículos, com o intuito de possibilitar uma visão mais aprofundada dos temas
abordados na pesquisa, como por exemplo, objetos móveis, definição de parada e
trajeto, padrões relacionados a objetos móveis, previsão de movimentação de
objetos móveis e rastreamento de veículos.
2.1.1 Objetos Móveis
Pode-se considerar como objeto móvel qualquer ser ou coisa do mundo real que
possa gerar movimento voluntário ou involuntário. Dessa maneira, pode-se incluir
como objetos móveis desde aqueles objetos que frequentemente estejam em
repouso até aqueles que apresentam um movimento contínuo (BEARD;
PALANCIOGLU, 2000).
Do ponto de vista computacional, de acordo com Güting e Schneider (2005), objetos
móveis são, essencialmente, geometrias dependentes do tempo, mantidas num
banco de dados espaço-temporal, no qual a posição pode mudar constantemente
durante um espaço de tempo considerado.
Segundo Oliveira (2003), uma das vantagens que as tecnologias de computação
móvel e redes de comunicação sem fio possibilitaram foi a manutenção da
informação posicional de um objeto que se movimenta. Desde que este objeto esteja
equipado com dispositivos que se comuniquem com uma unidade central ou outros
24
objetos, as informações posicionais podem ser armazenadas num banco de dados,
com o intuito de possibilitar que consultas sejam realizadas em função da
localização do objeto.
Consultas relacionadas a objetos móveis podem ser divididas em consultas
baseadas nas coordenadas dos objetos ou na trajetória realizada pelo objeto (JUNG;
RYU, 2006). Ainda, segundo os mesmos autores, as consultas baseadas nas
coordenadas do objeto consideram-no como um ponto e estão relacionadas à
proximidade com algum outro objeto. Já as consultas baseadas em trajetórias
consideram os movimentos realizados pelo objeto e derivam de informações
relacionadas do movimento do próprio objeto, como, por exemplo, velocidade e
direção. E, em ambas as consultas, é necessário uma grande quantidade de dados,
uma vez que é imprescindível armazenar as mudanças espaços-temporais.
Entretanto, aos objetos móveis não se associa somente o atributo de localização e
instante de tempo; outros atributos também podem estar associados, de acordo com
o tipo de objeto rastreado e negócio que se destina o objeto rastreado. Estes
atributos serão definidos com base no nível de informação que se deseja obter sobre
o estado desse objeto.
Alguns desses atributos podem ser dinâmicos, ou seja, assumem valores de acordo
com a interação que o objeto móvel possui com outros objetos, o que contextualiza o
objeto rastreado num sistema dinâmico. De acordo com Rodrigues, Cugnasca e
Queiroz Filho (2009), “um sistema que pode ser definido como um conjunto de entes
inter-relacionados”. Um sistema dinâmico é aquele no qual eventos ocorrem e, estes
eventos influenciam no estado do sistema com o passar do tempo (ACKOFF, 1971).
Portanto, o estado de um objeto móvel será atribuído em função dos valores que os
seus atributos possuem num determinado instante de tempo. Este conceito permite
pensar em objetos móveis como sistemas móveis, cujo estado se deseja conhecer
no decorrer do tempo (RODRIGUES, 2008b).
25
2.1.2 Padrões de Objetos Móveis
Várias consultas podem ser realizadas considerando-se a informação posicional de
um objeto móvel. De acordo com Rodrigues (2008a), na maioria das vezes, o que
importa é quais informações podem ser obtidas a partir desse posicionamento como,
por exemplo, se o objeto está num determinado quilômetro de uma determinada
rodovia ou se o objeto está se movimentando conforme programado, ou ainda, qual
a proximidade do objeto em relação a um determinado evento. Porém, o que de fato
interessa são os significados associados às posições, que podem ser os mais
variados, de acordo com o interesse e análise de quem recebe essa informação
posicional.
Outro questionamento frequente, referente à localização de um objeto móvel, remete
à sua localização futura num determinado instante de tempo (t). Dentre as diversas
maneiras de se obter uma resposta a este questionamento está o histórico de
movimentação do objeto ou, ainda, a obtenção, a partir desse histórico, de um
padrão de movimentação, que possibilite a previsão, considerando-se o seu estado
atual.
Segundo Oliveira (2003), as informações sobre a movimentação de um objeto que
são armazenadas no banco de dados geram um histórico de movimentação que
pode ser utilizado para identificar padrões que facilitem a previsão de
movimentações deste mesmo objeto. Além disso, o histórico de movimentação
possibilita responder consultas referentes a localizações ocupadas por esse objeto
no passado.
A geração de padrões poderá responder questões relacionadas a localizações
passadas com maior rapidez, uma vez que o histórico de movimentação do objeto já
foi utilizado no processo de geração deste padrão. Portanto, o padrão fornece por si
só uma informação com significado associado e reduz o volume de dados
armazenados e necessários para responder as questões relacionadas ao objeto
móvel.
26
A definição de padrões relacionados a objetos móveis indica que as mudanças
temporais destes objetos tendem a possuir um único padrão regular, e este padrão
pode ser traçado utilizando-se de técnicas de mineração de dados temporais
(CHUNG et al 2002). Ainda, segundo os mesmos autores, a mudança de localização
desses objetos móveis pode ocorrer com um padrão discreto ou continuo e, assim,
pode ser descrita como um ponto no tempo ou períodos de tempo e, desde que seja
possível descrever estas mudanças continuas no mundo real, a movimentação
desses objetos móveis pode ser obtida a partir da localização desses pontos
discretos, onde cada ponto representa o inicio e fim do tempo estendido.
A identificação de um padrão de movimentação para cada objeto móvel pode
caracterizar particularidades inerentes a ele, definindo uma espécie de perfil ou
particularidade para cada objeto. Existem diversas formas de caracterizar o padrão
de movimentação de objetos móveis, como por exemplo:
De acordo com Beard e Palancioglu (2000), a identificação e atribuição de
perfis às classes de objetos podem distinguir diferentes comportamentos de
movimentação que auxiliam e tornam o processo preditivo mais confiável.
Ainda, segundo os mesmos autores, a identificação de padrões pode ser
utilizada como modelo de pesquisa para se detectar outros padrões similares.
Jin et al (2006) propõem a definição de um padrão baseado num esquema de
calendário relacional, no qual os intervalos de tempo seriam especificados
pelo usuário. Neste esquema de calendário relacional os atributos seriam
uma granularidade do tempo, como: ano, mês, dia, etc., que representariam
ciclos periódicos de ocorrência do padrão, como por exemplo, cada semana,
cada mês, e assim sucessivamente. Dessa forma, o padrão estaria
representado por um vetor de atributos da seguinte maneira: <2010,1,*,3>.
Neste exemplo, o vetor representa um padrão que ocorreu no ano de 2010,
no mês de janeiro, durante todas as semanas (representado pelo asterisco) e
no terceiro dia da semana.
Wolf et al (2004), defendem que as informações de velocidade, localização e tempo
não são suficientes para análises de comportamento de viagens quando o objeto
27
móvel considerado for um veículo. Especificamente, esse conjunto de dados é
ausente da clara identificação dos destinos das viagens e de seus correspondentes
propósitos.
De encontro a afirmação de Wolf et al. (2004), vem a necessidade de se buscar
maneiras de identificar um padrão de movimentação para o veículo rastreado
considerando a informação de origem e destino. Fundamentalmente, isto significa
tornar possível atribuir um significado a esta origem ou destino como, por exemplo:
município, bairro, casa, trabalho, colégio ou periodicidade de ocorrência.
Outra preocupação que surge está relacionada ao dimensionamento da amostra
necessária para satisfazer a geração de um padrão. De acordo com Lee-Gosselin
(2005 apud Chung; Shalaby, 2005), a necessidade de longos períodos de
observação está aumentando, em virtude das mudanças de padrão da vida urbana.
Não há mais um “dia de semana simples” versus “dia do final de semana", mas sim
variados padrões da atividade humana.
Tais afirmações corroboram com a importância que a identificação e geração de
padrões de objetos móveis possuem no processo de extração das informações e
processos preditivos relacionados a estes objetos, e sugere diversas maneiras de se
obter e armazenar estes padrões.
2.1.3 Previsão de Movimentação de Objetos Móveis
Considerando-se que o dado espaço-temporal de um determinado objeto móvel
esteja armazenado num banco de dados, torna-se possível gerar e armazenar
padrões em função do histórico de movimentação desse objeto, os quais podem ser
utilizados para predizer o posicionamento desse objeto num instante de tempo. De
acordo com Oliveira (2003), o histórico de movimentação pode melhorar a
confiabilidade das previsões realizadas, e tambem pode caracterizar movimentos
que são realizados com certa frequência, ou seja, padrões de movimentação.
28
Estudos como o de Nhan e Ryu (2006) enfatizam a importância da descoberta de
padrões de movimentação associados a uma variável espaço-temporal para a
previsão da localização de objetos móveis, baseados em regras de movimentação.
Estas regras consideram uma unidade espaço-temporal definida como a mínima
extensão de espaço e tempo de interesse, decompostos em cubos retangulares
espaços-temporais, nos quais as trajetórias realizadas pelos objetos móveis
“chocam-se” com as células espaciais num determinado instante de tempo. Esta
interação entre as trajetórias e as células seria utilizada para a previsão.
Desta perspectiva, podem ser consideradas não apenas células retangulares, mas
também regiões espaços-temporais com dimensões diversas e significados
associados como, por exemplo, origem e destino, definidos por meio de um
relacionamento topológico e temporal com as trajetórias realizadas pelos objetos
móveis. Estes relacionamentos, associado com a informação temporal das regiões
seria utilizado na previsão de localização da entidade móvel.
Segundo Xu e Lee (2003), se a movimentação de um objeto for um reflexo do seu
padrão de movimentação total, uma parada (denominada pelo autor como nó sensor
de rede) pode ser capaz de predizer a direção de movimentação desse objeto,
utilizando-se de um modelo de previsão direcional.
De acordo com Hellinga e Aerde (1994), dois tipos de dados podem ser obtidos a
partir da investigação da movimentação de veículos: a conexão dos dados de
tempos de viagem e os dados de Origem-Destino (O-D). Na pratica, somente dois
valores são conhecidos, que seriam: o número de partidas e chegadas em relação à
origem e destino; e o número total de veículos investigados que realizam viagens na
rede estabelecida entre a O-D durante um período de tempo. Assim, a probabilidade
de ocorrência que uma viagem recebe poderia ser representada pela frequência
relativa obtida a partir do número de partidas da origem (i) em relação ao destino (j).
Considerando-se o que foi descrito nesta seção, seria possível desenvolver um
modelo preditivo de localização para objetos móveis que considerasse a
probabilidade associada entre uma origem e destino. Esta probabilidade seria
29
estimada com base no número de partidas a partir de uma origem e chegadas a um
destino, considerando o histórico de movimentações do veículo investigado.
2.1.4 Rastreamento de Veículos
Segundo Rodrigues, Cugnasca e Queiroz Filho (2009), o rastreamento de veículos
pode ser considerado como um sistema que monitora e gerencia a localização e o
estado de um determinado veículo a cada instante de tempo, enquanto este veículo
se descola sobre a superfície terrestre. Portanto, considera-se o veículo como um
sistema dinâmico, pois ele possui atributos dinâmicos como, por exemplo, posição
geográfica e, por consequência, diversos estados definidos com base nos
significados que estes atributos possuem para o sistema. Este sistema que se
integra ao sistema de rastreamento de veículo.
Ainda que o rastreamento de veículos tenha sido concebido originalmente com o
intuito de auxiliar a gestão de tráfego, sua aplicação abrange outras categorias como
transporte de cargas, gerenciamento de transporte coletivo urbano, gestão de
viaturas policiais e hospitalares, guinchos e táxis, e recuperação de veículos
roubados. Portanto, os veículos rastreados nada mais são do que entidades móveis
que constantemente estão alterando seu estado em função da sua posição
geográfica e instante de tempo. Além de outros atributos, quando disponíveis e de
interesse para o sistema responsável pelo monitoramento como, por exemplo, uma
porta aberta ou temperatura do baú. A esta constante alteração da localização,
pode-se categorizar dois níveis diferentes de estado: “parado” ou “em movimento”.
O veículo terá seu estado considerado como “parado”, nesta pesquisa, quando
houver uma interrupção de movimentação ocorrida durante um intervalo de tempo
(independente da taxa de coleta das posições), e que seja suficiente para identificar
quatro segmentos de deslocamento inferior ao erro considerado do posicionamento
GPS quando analisado, no máximo, sete segmentos consecutivos.
Inicialmente, imaginou-se que quatro segmentos evidenciariam o estado do veículo.
Porém, experimentos mostraram que a ocorrência de erros aleatórios no
30
posicionamento prejudicava esta afirmação. Assim, optou-se pela ocorrência dos
quatro segmentos numa quantidade máxima de sete segmentos caracterizando um
período máximo de observação (independente da taxa de coleta das posições) para
uma afirmação de mudança de estado do veículo.
Segundo Alesheikh (2008), em termos geométricos, o movimento de um objeto é
chamado de trajetória, ou seja, a trajetória é o resultado do rastreamento do veículo
no tempo. E a representação da trajetória é suficiente para obter certas propriedades
e relacionamentos do movimento do objeto, estes relacionamentos se referem a
outros objetos espaciais como, por exemplo, limites municipais, estradas, etc.
Nesta pesquisa, considera-se como trajetória a sequência de pontos que representa
um movimento realizado pelo veículo entre duas paradas consecutivas. O que define
um caminho percorrido pelo veículo entre estas paradas num derteminado período
de tempo.
As paradas irão representar as possíveis origens ou destinos de um veículo num
determinado período de tempo. Considerando-se como origem o ponto inicial de
uma ação ou coisa, que tem continuidade no tempo e/ou no espaço e, como destino
o local para onde o veículo está indo.
A representação de uma parada armazenada no padrão será considerada como
uma origem quando a última parada realizada pelo veículo possuir alguma
interatividade com a geometria armazenada no bando de dados do padrão. Por
outro lado, uma parada será considerada como um possível destino, quando possuir
um relacionamento topológico com a parada definida como origem, relacionamento
este que será expresso por uma trajetória percorrida entre essas duas paradas, num
determinado instante de tempo.
De acordo com Wolf et al. (2004), as paradas efetuadas por um veículo ocorrem em
diferentes instantes de tempo e, em muitos casos, podem representar uma mesma
região geográfica. As coordenadas que representam uma parada podem variar
significativamente por várias razões, como por exemplo, em função do uso de
diferentes vagas de estacionamento em diferentes ocasiões.
31
Considerando-se esta variabilidade de ocorrência da localização de uma mesma
parada, torna-se necessário executar análises topológicas, inclusive de proximidade,
que definam clusters de paradas ocorridas em diferentes ocasiões, mas que na
realidade se referem a uma mesma parada. Uma vez definido um cluster de parada,
esta aglomeração de paradas irá representar esta única parada que poderá ser
considerada como uma origem ou destino, ou seja, uma região de parada.
2.2 ASPECTOS TÉCNICOS
No item anterior foram vistos vários conceitos relativos a objetos móveis, sobretudo
no que se refere ao rastreamento de veículos. Também foram descritos os desafios
e trabalhos propostos para geração de padrões e previsão de localização dos
objetos móveis. Neste item, é descrito a estruturação que um sistema AVL possui,
bem como alguns conceitos técnicos relacionados a este tipo de sistema.
Os assuntos foram organizados para representar a importância do rastreamento de
veículos num sistema AVL, bem como os componentes que um sistema desse tipo
possui, às técnicas utilizadas para a aquisição da posição do veículo e a maneira de
transmissão de dados entre o objeto rastreado e a central de monitoramento e vice-
versa.
2.2.1 Sistemas AVL
Como mencionado anteriormente, o atributo temporal é responsável por informar a
data e hora de aquisição da posição de um veículo monitorado por um sistema AVL.
Este atributo é o único de valor esperado e conhecido, pois, pode ser pré-
estabelecido na concepção do sistema.
Portanto, o atributo temporal define a taxa de coleta dos dados, que pode ocorrer a
cada 15 ou 3 minutos, ou ainda, minuto a minuto, estabelecido em função do
propósito do sistema. Caso o valor deste atributo não esteja dentro do intervalo pré-
32
estabelecido o sistema pode estar sofrendo algum tipo de interferência ou anomalia.
Isso poderá ocorrer em virtude do veículo trafegar em regiões onde não é possível
enviar as informações coletadas ou no caso de não ser possível determinar a
posição do veículo.
Estas regiões serão chamadas de “regiões de sombra do sistema” e serão
consideradas como interferências, uma vez que impossibilitam a comunicação entre
a central de monitoramento e o dispositivo móvel. As anomalias estarão
relacionadas ao mau funcionamento dos dispositivos que compõem o sistema e
merecem, portanto, uma atenção especial para efeitos de manutenção destes
dispositivos.
É importante ressaltar que, se o usuário optar por tecnologias de posicionamento
como a GPS, e as informações do rastreamento forem enviados via satélite,
dificilmente surgirão estas regiões de sombra, mas esta escolha pode encarecer
demasiadamente o custo operacional do sistema e torná-lo inviável dependendo do
seu propósito estabelecido. Além disso, esta escolha não garantirá totalmente a
exclusão dessas regiões de sombra, o que será detalhado nas seções: 2.2.2
(Técnicas de Posicionamento Utilizadas em AVL) e 2.3.2 (Transmissão de Dados
Utilizada em AVL).
Os sistemas de Localização Automática de Veículos são compostos basicamente
por quatro componentes e podem ser visualizados na figura 5:
1 Aquisição de Dados e Atuação – dispositivos embarcados no veículo;
2 Sistema de Comunicação – são as tecnologias de transmissão e recepção
dos dados entre uma central de operação e o veículo;
3 Gestão da Informação – são os processos que gerenciam as informações
obtidas a partir dos atributos;
4 Aplicações – são as finalidades a que se destina o monitoramento das
entidades móveis, como: aplicações comerciais, segurança, logística etc.
Figura 5. Componentes de um Sistema AVL.
2.2.1.1 Aquisição de Dados
Este componente do sistema AVL compreende desde as diversas tecnologias
existentes para a aquisição da
embarcados no veículo,
o estado do veículo. As tecnologias disponíveis para a obtenção da localização do
veículo serão descrita
Posicionamento Utilizadas em AVL).
2.2.1.1.1 Os Equipamentos
Os equipamentos embarcados, como mencionado previamente, são
dispositivos responsáveis pela
Rodrigues, Cugnasca e Queiroz Filho (2009), os equipamentos embarcados são
responsáveis pelas mais
o processamento de dados, a comunicação e detecção de estado do veículo, a
. Componentes de um Sistema AVL. (Fonte: Adaptado de Rodrigues;
Filho 2009, p. 17).
Aquisição de Dados e Atuação
Este componente do sistema AVL compreende desde as diversas tecnologias
existentes para a aquisição da posição geográfica do veículo, até os equipamentos
os quais são responsáveis pelas informações que traduzem
. As tecnologias disponíveis para a obtenção da localização do
serão descritas, oportunamente, na seção 2.2.2
Posicionamento Utilizadas em AVL).
Os Equipamentos Embarcados
Os equipamentos embarcados, como mencionado previamente, são
dispositivos responsáveis pela tradução do estado do veículo
Rodrigues, Cugnasca e Queiroz Filho (2009), os equipamentos embarcados são
responsáveis pelas mais diversas funções, como por exemplo, o armazenamento e
o processamento de dados, a comunicação e detecção de estado do veículo, a
33
Rodrigues; Cugnasca e Queiroz
Este componente do sistema AVL compreende desde as diversas tecnologias
, até os equipamentos
ão responsáveis pelas informações que traduzem
. As tecnologias disponíveis para a obtenção da localização do
s, oportunamente, na seção 2.2.2 (Técnicas de
Os equipamentos embarcados, como mencionado previamente, são aqueles
veículo. De acordo com
Rodrigues, Cugnasca e Queiroz Filho (2009), os equipamentos embarcados são
o armazenamento e
o processamento de dados, a comunicação e detecção de estado do veículo, a
34
atuação da central de monitoramento sobre o veículo e a interação com o motorista.
Numa configuração simples, um veículo estaria equipado com:
1. Módulo de processamento – responsável pelo processamento e
armazenamento dos dados a bordo do veículo e pela integração com os
sensores, atuadores e outros periféricos como os leitores de código de barra;
2. Módulo de interação – responsável pela a troca de informações entre o
tripulante ou motorista e a central de monitoramento, além de gerenciar
algumas funções do veículo;
3. Sensores e Atuadores – são os dispositivos responsáveis pelo fornecimento
dos dados que indicam o estado do veículo. Enquanto os atuadores são os
dispositivos que irão permitir a intervenção da central de monitoramento
sobre o veículo.
A figura 6 ilustra os equipamentos embarcados que um veículo de passeio pode
possuir:
Figura 6. Equipamentos Embarcados de um veículo leve.
2.2.1.2 Sistemas de Comunicação
Similarmente às diversas tecnologias existentes para a obtenção da localização
geográfica dos veículos, existem várias tecnologias disponíveis que podem ser
utilizadas pelos sistemas de comunicação. Este sistema será responsável pela
comunicação entre o veículo rastreado e a central de operação responsável pelo
monitoramento do mesmo. A comunicação pode ser tanto por texto (transmissão de
35
dados), quanto por voz, e pode ocorrer em ambos os sentidos (veículo central, ou
central veículo).
As tecnologias de comunicação mais utilizadas pelos sistemas AVL são: a
comunicação via rádio, a comunicação via celular ou via satélite. A opção por uma
dessas tecnologias de comunicação depende do propósito de implantação do
sistema AVL, uma vez que cada uma possui suas vantagens e desvantagens, a
tabela 2 ilustra as vantagens e desvantagens dos sistemas de comunicação. Tabela 2 – Comparativo entre os Sistemas de Comunicação
Sistemas de Comunicação
Vantagens Desvantagens Utilização recomendada
Satélite Geoestacionário
Disponibilidade de sinal Preço elevado
Viagens longas;
Localidades desprovidas de cobertura celular;
Monitoramento de objetos de alto valor econômico.
Satélite de Orbita Baixa
Equipamento e comunicação mais baratos do que o geoestacionário;
Cobertura mundial.
Sinal nem sempre disponível
Viagens longas, Monitoramento de objetos de menor valor ou risco;
Menor taxa de frequência de posições/dia.
Celular Equipamento simples e barato;
Os protocolos CDMA, GSM e GPRS têm custos de comunicação menores.
Sinal restrito às áreas de cobertura (em contínua expansão)
Localidades urbanas e rodovias com sinal de celular
Rádio Comunicação extremamente barata; Sinal sempre presente na área de cobertura.
Pequeno raio de cobertura; Custos altos para manter e ampliar cobertura.
Localização em regiões conhecidas e com cobertura; Localidades urbanas.
Fonte: Rodrigues; Cugnasca e Queiroz Filho (2009, p. 33)
2.2.1.3 Gestão da Informação
Todo o gerenciamento das informações dos dados de localização e estado do
veículo é realizado pelos Sistemas de Gestão da Informação. A gestão da
informação pode ser centralizada ou descentralizada e requer equipamentos de
comunicação, armazenamento e processamento dos dados recebidos.
36
A gestão centralizada pressupõe a existência de uma central de controle. É nesta
central que se dá a integração das informações levantadas do veículo, a partir dos
dados de rastreamento com recursos de geoprocessamento. (RODRIGUES, 2008a).
Optar pela gestão centralizada implica numa abordagem na qual uma central de
controle será a unidade responsável pelo gerenciamento de toda a rede de
infraestrutura referente aos modos de comunicação que serão utilizados (rádio,
celular, satélite etc.), integração desses modos, processamentos dos dados,
servidores de dados e mapas, bancos de dados, interfaces de visualização,
execução de software específico para cada tipo de gestão (ex. controle de frotas,
sistemas de entregas urbanas, gerenciamento de resgates, etc.) e, finalmente,
divulgação dos dados (ex. sob consulta ou relatórios periódicos).
No caso dos sistemas AVL que optam pela gestão descentralizada, Rodrigues
(2008a) afirma que: [...] utilizam a Web e estão relacionadas ao modelo Application Service Provider (ASP). Esses serviços oferecem soluções específicas para uma grande variedade de operações a custos baixos, uma vez que o usuário deixa de implantar um sistema próprio de gestão. Com isso, há grande redução de custo, pois se economiza com hardware, software, compra e manutenção da base de dados, treinamento e gestão de pessoal, desenvolvimento de aplicativos e, sobretudo, o custo de atualização tecnológica. Este último onera pesadamente uma empresa, mas quando partilhado por inúmeras empresas de um serviço ASP, torna-se baixo.
2.2.2 Técnicas de Posicionamento Utilizadas em AVL
Em virtude dos avanços tecnológicos na área de posicionamento, diferentes técnicas
de posicionamento podem ser utilizadas em AVL, para distintas circunstâncias. A
técnica de posicionamento utilizada pode ser definida de acordo com a natureza da
operação do veículo, a oferta de tecnologia para a região onde o veículo trafega,
bem como a natureza do sistema de gestão da informação.
De acordo com Rodrigues, Cugnasca e Queiroz Filho (2009), as principais técnicas
de posicionamento baseiam-se nos sistemas de navegação global por satélites, na
37
trilateração das antenas de frequências de rádio, na rede de telefonia móvel e em
postos de sinalização (signpost). Ainda, segundo os mesmos autores, a opção por
uma dessas técnicas de posicionamento é determinada pelo tipo de atuação que se
terá sobre este veículo e que pode variar conforme:
O tipo de carga;
O trajeto a ser percorrido;
As características da via de transporte;
O tipo de região percorrida pelo veículo; e
O risco previsto.
O presente trabalho se restringirá a descrever a técnica de posicionamento que
utiliza os Sistemas de Navegação Global por Satélites, pois foi esta a técnica
empregada para a obtenção dos dados utilizados nesta pesquisa.
2.2.2.1 Posicionamento do Veículo utilizando o GNSS
Uma das técnicas utilizadas para a determinação das posições dos veículos em
sistemas AVL é o posicionamento por meio de satélites artificiais. A opção por este
tipo de técnica se deve à abrangência fornecida por estes sistemas de satélites
artificiais e também pela acurácia1 do posicionamento proporcionada pelos mesmos.
A sigla GNSS é o acrônimo de Global Navigation Satellite System e, segundo
Seeber (2003), é a nomenclatura geral dada a todos os Sistemas de Navegação
Global por Satélite.
Podem-se citar pelo menos três sistemas desse tipo: o GPS, o GLONASS e o
GALILEO. Dentre eles, o mais utilizado em sistemas AVL é o GPS e, será referente
a este sistema que, o presente trabalho se aterá na seção seguinte. Por hora, basta
saber que o GLONASS (GLObal NAvigation Satellite System) é operado pela
Federação Russa e está disponível para a comunidade civil, tendo sido concebido
na década de 70 pela extinta União Soviética para fins militares, enquanto que o
GALILEO é um programa de navegação por satélite europeu, projetado pela União 1 “Acurácia é a proximidade entre o valor obtido experimentalmente e o valor verdadeiro na medição de uma grandeza física.” (HOUAISS, 2001).
38
Europeia em cooperação com a Agência Espacial Europeia (ESA), totalmente
controlado por autoridades civis.
2.2.2.1.1 O Sistema de Posicionamento Global - GPS
Segundo Monico (2000, p. 19): “[...] posicionar um objeto nada mais é do que
atribuir-lhe coordenadas [...]”. Pensando nisto, na década de 1970 uma solução para
este problema foi apresentada com a proposta do GPS (Global Positioning System),
desenvolvido pelo Departamento de Defesa dos Estados Unidos da América – DoD
(Department of Defense). Inicialmente denominado como NAVSTAR-GPS
(NAVigation Satellite with Time And Ranging) e com o objetivo de auxiliar a
navegação das forças armadas americanas, o sistema GPS surgiu da fusão de
outros dois sistemas (Timation e o System 621B), sob responsabilidade da Marinha
e da Força Aérea norte-americanas, respectivamente.
Em virtude da acurácia e disponibilidade de uso (sob quaisquer condições climáticas
e de abrangência global) o sistema GPS logo passou a ser utilizado com grande
frequência pela comunidade civil, principalmente a partir de dois de maio de 2000,
após a eliminação do código SA (Selective Availability), que era responsável pela
degradação do sinal do sistema e, consequentemente, da precisão fornecida pelo
mesmo. Essa medida possibilitou aos usuários civis do sistema um posicionamento
com uma acurácia dez vezes superior do que se tinha até então (MONICO, 2008).
O método de posicionamento por satélite utilizado para determinar a posição dos
veículos nos sistemas AVL é o Posicionamento Absoluto Cinemático. De acordo
com Wells et al. (1986) “[...] o posicionamento cinemático é utilizado para aplicações
em que se deseja determinar a trajetória do objeto móvel [...]”. Ainda segundo os
mesmos autores, nestes tipos de aplicações o objeto móvel é o receptor GPS que
pode ser transportado por um veículo que percorre uma estrada, um barco, ou uma
aeronave.
A concepção do sistema GPS permite ao usuário, a qualquer instante, rastrear no
mínimo quatro satélites em qualquer parte da superfície terrestre, ou próxima a ela.
39
Essa disponibilidade de satélites permite ao usuário um posicionamento em tempo
real (MONICO, 2000).
A disponibilidade mínima de satélites oferecida pelo GPS se deve ao fato do
segmento espacial ser constituído de 24 satélites distribuídos em seis planos orbitais
igualmente espaçados, com quatro satélites por plano, a uma altitude aproximada de
20200 km. Devido a inclinação dos planos orbitais (55°) em relação a linha do
Equador, o sistema GPS disponibiliza no mínimo quatro satélites e garante que a
posição do satélite se repita diariamente, 4 minutos antes em relação ao dia anterior
(MONICO, 2008). A figura 7 ilustra a constelação GPS.
Figura 7. Constelação GPS. (Fonte: http://infosecurity.us/images/gps_constellation.png)
Ainda, segundo o mesmo autor, o principio básico de navegação por GPS consiste
na medida de distâncias entre o usuário (receptor) e os quatros satélites rastreados,
na qual, conhecendo-se as coordenadas dos satélites num sistema de referência
apropriado, é possível calcular as coordenadas da antena do receptor do usuário no
mesmo sistema de referência dos satélites e, assim, determinar a posição da antena
em tempo real.
[...] O objeto a ser posicionado pode estar em repouso ou em movimento, o que gera um complemento à classificação com respeito ao referencial adotado. No primeiro caso, trata-se do posicionamento estático, enquanto o segundo diz respeito ao
40
posicionamento cinemático. No que concerne ao posicionamento utilizando o GNSS, independente do estado do objeto, ele pode ser realizado pelos métodos absoluto e relativo. (MONICO, 2008, p. 279).
De acordo com Monico (2008), pode-se ter, portanto, o posicionamento absoluto
estático ou o posicionamento absoluto cinemático. No posicionamento absoluto,
também conhecido como posicionamento por ponto, quando são utilizadas
efemérides2 transmitidas, a posição obtida se refere ao um Sistema de Referência
Terrestre utilizado pelo sistema em uso, como, por exemplo, o WGS84 utilizado pelo
sistema GPS. A figura 8 ilustra o principio deste tipo de posicionamento e, considera
o posicionamento absoluto cinemático.
Figura 8. Posicionamento Absoluto Cinemático. (Fonte: adaptada de Wells et al. 1986).
Considerando-se a figura 8, pode-se dizer que a distância r1 (em vermelho) é a
distância entre o satélite S1 e o Geocentro (Centro de Massa da Terra), previamente
conhecida e fornecida pelas efemérides transmitidas pelo satélite, ou seja, para cada
satélite (Sn) há uma distância rn. A distância entre os satélites (Sn) e o receptor (Pi), formada pelo vetor SnPi é a distância medida pelo sistema, e o vetor Ri é a
distância procurada. Portanto, no Posicionamento Absoluto Cinemático, o vetor Ri é
continuamente determinado. Quando o receptor (antena GPS) está em repouso, a
2“efemérides – tábua astronômica que registra, em intervalos de tempo regulares, a posição relativa de um astro.” (Houaiss, 2001).
41
determinação pode conduzir sempre para um mesmo resultado, produzindo uma
redundância de resultados, a menos é claro do erro fornecido pelo sistema.
Como já mencionado, os sistemas AVL possuem como atributos principais a posição
do veículo e o instante de tempo da determinação. Esta posição é geralmente
expressa em coordenadas geográficas referenciadas a um Sistema de Referência
Terrestre; no caso do GPS é o WGS84(G1150), compatível ao ITRF2000. A figura 9
ilustra a definição do sistema de referência WGS84.
Figura 9. Sistema de Referência Terrestre WGS84. Fonte: Seeber (2003).
Segundo Seeber (2003), com a desativação do SA, a acurácia disponível para os
usuários do SPS (Standard Positioning Service), os quais são usuários civis, se
tornou semelhante àquela obtida pelos usuários militares que utilizam o PPS
(Precise Positioning Service).
O valor da acurácia global média de posicionamento é definida como um erro menor
ou igual a 13 metros, considerando-se as componentes X e Y (erro máximo
horizontal), e menor ou igual a 22 metros para a componente vertical (Z) com 95%
de confiança (DoD, 20013 apud SEEBER, 2003, p. 230). Ainda, segundo o mesmo
3 DoD (2001): Global Positioning System Standard Positioning Service Performance Standard. Department of Defense, Document, October 2001.
42
autor, experimentos mostram que, na prática, a acurácia alcançável é muito mais
alta. A figura 10 mostra o efeito da desativação do SA e ilustra o que o autor sugere.
Figura 10. Efeito do SA nos resultados de posicionamento GPS com um receptor de simples
frequência, à esquerda o SA ativo e a direita após a desativação do SA. Fonte: Adaptada de Seeber
(2003).
Os satélites GPS transmitem duas ondas portadoras, denominadas de L1 e L2,
respectivamente. Estas ondas são geradas a partir de uma frequência fundamental
(10,23 MHz) e são multiplicadas por 154 e 120, respectivamente (MONICO, 2000). A
tabela 3 demonstra os valores da frequência e comprimento de onda (λ) para ambas
as ondas portadoras. Tabela 3 – Características dos sinais GPS
Onda Portadora Frequência Comprimento de Onda
L1 1575,42 MHz 19 cm
L2 1227,60 MHz 24 cm Fonte: (Monico, 2000, p. 26).
As entidades móveis rastreadas com a tecnologia GPS utilizam o código C/A
(Coarse Acquisition) que é modulado somente sobre a onda portadora L1. De
acordo com Monico (2000), esse código possui comprimento de onda de
aproximadamente 300m, transmitido a uma razão de 1,023MHz, e gerado a partir do
produto de duas sequencias PN (Pseudo-random), denominadas G1 e G2.
SA ativo em 1 de Maio de 2000 SA desativado em 2 de Maio de 2000
43
Segundo Leick4 (1995 apud MONICO, 2000, p. 27) o código C/A tem como
característica básica a baixa correlação entre seus membros, o que possibilita a
rápida distinção dos sinais recebidos, simultaneamente, de vários satélites. Dessa
maneira, os receptores GPS que costumam ser usados em rastreamento de veículos
são destinados a levantamentos expeditos. Assim, estes receptores podem ser
classificados como receptores de navegação ou receptores para SIG (Sistemas de
Informações Geográficas), quando classificados segundo sua aplicação, ou
receptores de código, quando a classificação considerar o tipo de dados
proporcionados pelo receptor (MONICO, 2000).
Como mencionado na seção 2.2.1 (Sistemas AVL), a opção por este tipo de
tecnologia para a determinação da posição do veículo não garante totalmente a
eliminação das chamadas regiões de sombra, uma vez que, em razão do
comprimento de onda do sinal GPS, o veículo pode estar em lugares onde as
estruturas de metal e concreto não permitem a propagação do comprimento de onda
do sinal GPS, criando, assim, uma espécie de barreira para este sinal. São
exemplos deste tipo de estrutura: túneis, garagens subterrâneas etc. Alguns
sistemas AVL adotam alternativas para contornar este inconveniente do sistema
GPS, mas estas alternativas devem ser consideradas satisfatórias com certo critério.
Um exemplo dessas alternativas utilizadas é a atribuição da última posição do
veículo obtida pelo GPS, antes da perda de sinal, para os demais intervalos de
tempo onde não é possível determinar a posição atual do veículo.
2.3.2 Transmissão de Dados Utilizada em AVL
Como mencionado em seções anteriores, existem três técnicas diferentes de
comunicação, utilizadas pelos sistemas AVL (via rádio, via celular e via satélite).
Nesta seção, no entanto, somente será detalhada aquela utilizada para a obtenção
dos dados empregados nesta pesquisa, ou seja, a que faz uso da telefonia móvel.
4 LEICK, A. GPS Satellite Surveying. New York: John Wiley & Sons, 1995. 560p.
44
2.3.2.1 Transmissão de Dados Via Telefonia Móvel
Com a expansão da cobertura dos sistemas de telefonia móvel, o uso dessa
alternativa de comunicação passou a ser considerado com mais frequência por
outros sistemas, como o AVL. Além da cobertura de sinal cada vez maior, os custos
de comunicação oferecidos por esta tecnologia e os avanços tecnológicos na
transmissão de dados se tornaram atrativos mais que suficientes para os sistemas
que optam por este tipo de comunicação. Outro fator importante na expansão desta
tecnologia de comunicação, em se tratando de AVL, foi que sua cobertura atingiu as
rodovias mais utilizadas do país.
Esta tecnologia de comunicação não só permite a comunicação via voz, como
também por mensagens de texto (SMS) e protocolos de troca de dados (por ex.
CDMA e GSM). A escolha por um protocolo de troca de dados dependerá,
primordialmente, da aplicação do sistema AVL e da área de cobertura do sistema de
telefonia móvel, além dos seus recursos disponíveis, a tabela 4 ilustra os recursos
disponíveis para o protocolo GSM. Tabela 4 – Protocolos de transmissão de dados
PROTOCOLO RECURSOS 1xRTT – Comunicação de dados via IP (144Kbs) CDMA SMS – Via mensagens de texto CDMA – Voz e comunicação discada de dados (9600 bps) AMPS – Voz e comunicação discada de dados (1200 bps) GPRS – Comunicação de dados via IP (115Kbs) GSM SMS – Via mensagens de texto GSM – Voz e comunicação discada de dados (9600 bps)
Fonte: Rodrigues, Cugnasca e Queiroz Filho. (2009, p. 30).
A cobertura oferecida por estes protocolos de transmissão de dados no Brasil pode
ser ilustrada na figura 11. Na qual, de acordo com a UCEL, é apresentada a
cobertura fornecida por uma das duas operadoras que possuem cobertura nacional.
Em seguida, a tabela 5 destaca o tipo de tecnologia disponibilizada para os estados
brasileiros destacadas na figura 11.
Figura 11. Cobertura
Tabela 5 – Estados brasileiros e tecnologias de comunicação fornecida pela operadora
Claro.
Estados Brasileiros
SP RJ e ES BA e SE PR e SC RS MT, MS, GO eMA, PI, BA, CAM, AP, AC, PMG
Atualmente, as operadoras esforçam
dos dados, a fim de proporcionar aos seus clientes serviços de conteúdo multimídia
mais elaborados, a evolução dessas redes sem fio digitais de alta velocidade
apresentada na figura 12 5 http://www.ucel.com.br/mapa.html
. Cobertura Nacional GSM da operadora Claro. Fonte: ucel
Estados brasileiros e tecnologias de comunicação fornecida pela operadora
Brasileiros Tecnologias
CDMA/GSM CDMA/GSM GSM GSM CDMA/GSM
O e DF CDMA/GSM , CE, RN, PB, PE, AL e SE CDMA/GSM , PA, RO, RR e TO GSM
GSM Fonte: adaptada de ucel
Atualmente, as operadoras esforçam-se em melhorar a velocidade de transmissão
dos dados, a fim de proporcionar aos seus clientes serviços de conteúdo multimídia
mais elaborados, a evolução dessas redes sem fio digitais de alta velocidade
12. mapa.html
45
Fonte: ucel5 (2010).
Estados brasileiros e tecnologias de comunicação fornecida pela operadora
Tecnologias
Fonte: adaptada de ucel (2008).
se em melhorar a velocidade de transmissão
dos dados, a fim de proporcionar aos seus clientes serviços de conteúdo multimídia
mais elaborados, a evolução dessas redes sem fio digitais de alta velocidade é
46
Figura 12. Evolução 3G dos protocolos GSM e CDMA. Fonte: adapta de Apple6 (2008).
É importante ressaltar que essa cobertura anunciada pelas operadoras não se aplica
a toda extensão geográfica dos Estados brasileiros supracitados e que, portanto,
alguns municípios não contam com nenhum tipo de tecnologia de comunicação. O
que vem a corroborar o que foi dito sobre a existência de regiões de sombra para
um sistema AVL, na quais ou o sistema de posicionamento é obstruído ou o sistema
de comunicação não é abrangente.
2.3.2.1.1 O Sistema de Comunicação GSM
Segundo Rodrigues, Cugnasca e Queiroz Filho (2009), o GSM é um padrão de
telefonia celular definido principalmente pela ETSI (European Telecommunications
Standards Institute) que especifica toda a infraestrutura de telefonia celular e não
apenas a interface de rádio, que funciona dividindo o espectro de frequência em
canais (FDMA), seguida pela divisão do tempo de transmissão em time-slots
atribuídos para cada conversão (TDMA). A tabela 6 ilustra as bandas utilizadas pelo
GSM e número de canais que cada frequência GSM possui. De acordo com os
mesmos autores, o primeiro e o último canal da banda de operação não são
6 www.apple.com/br/quicktime/technologies/3gpp/
47
utilizados e servem como banda de guarda para minimizar o efeito de possíveis
interferências causadas por outros sistemas.
Ainda, segundo os mesmos autores, os canais de controle do sistema GSM não
necessitam estar alocados e definidos a priori e podem assumir suas funções
atribuídas no momento de demanda, possibilitando que os canais permaneçam na
maioria dos casos, disponíveis para o tráfego, o que contribui para a disponibilidade
e número de usuários no sistema.
Tabela 6 – Bandas e Canais utilizados pelo GSM.
Frequências Bandas Transmissão do celular (MHz)
Bandas Transmissão da ERB (MHz)
Número de Canais
GSM-800 880 915 925 960 124
GSM-1800 1710 1785 1805 1880 373
GSM-1900 1850 1910 1930 1990 298 Fonte: adaptada de Rodrigues , Cugnasca e Queiroz Filho (2009, p. 58).
.
A utilização da tecnologia GSM permite, na maioria dos casos, configurar a
identificação dos usuários. Esta configuração é realizada por meio de circuitos
integrados smart-card denominados SIM (Subscriber Identity Modules) que contêm
um número com a identificação unívoca do assinante, independente do equipamento
empregado para acessar a rede de telefonia móvel (RODRIGUES; CUGNASCA;
QUEIROZ FILHO, 2009).
Alguns dos serviços adicionais oferecidos pelo sistema GSM é o envio de
mensagens de texto. Entretanto, como essa tecnologia foi concebida para
aplicações de voz, as aplicações em comunicações de dados não são satisfatórias.
Uma medida utilizada para contornar essa limitação foi desenvolver um mecanismo
adicional de acesso exclusivo para dados, denominado GPRS (General Packet
Radio Service) que permite aos time-slots, não utilizados de um determinado canal
de frequências, serem momentaneamente empregados para o envio de um pacote
de dados.
48
2.4 CONSIDERAÇÕES FINAIS
Como observado, este capítulo teve por objetivo fundamentar aspectos técnicos e
conceituais que são abordados nessa pesquisa. A contextualização desses aspectos
irá subsidiar os capítulos seguintes e esclarecer eventuais dúvidas relacionadas a
termos técnicos e conceituais.
49
3 RECURSOS UTILIZADOS NA PESQUISA
Neste capítulo são abordados assuntos referentes aos recursos utilizados na
pesquisa. Será exposto o tipo de dados de rastreamento, a área de estudo
considerada como base de informação cartográfica e os recursos computacionais
utilizados.
Na primeira seção detalha os arquivos do rastreamento dos veículos, quanto à sua
aquisição, período de observação e número de veículos rastreados. A seção
seguinte descreve a região geográfica de estudo e o detalhamento das informações
cartográficas disponíveis para essa área. Por fim, na última seção, serão detalhados
os recursos computacionais utilizados, como a configuração da máquina e o sistema
operacional.
3.1 DADOS DO RASTREAMENTO
Beard e Palancioglu (2000) consideram que os dados de rastreamento se referem a
qualquer tipo de medida que adquira a localização de um ou mais objetos do mundo
real, desde imagens de satélite, fotografias aéreas, vídeos, observações GPS ou
observações de telemetria.
Os dados utilizados nesta pesquisa foram cedidos por empresas de rastreamento,
mediante acordo de garantia de sigilo. Portanto, a numeração de identificação dos
veículos foi alterada e os resultados provenientes da geração de padrões e previsão
de destinos não estão especificados com os verdadeiros nomes das localidades em
que os veículos da amostra estiveram durante o período observado.
As observações do rastreamento dos veículos foram obtidas utilizando a tecnologia
de posicionamento GPS e transmissão de dados GSM/GPRS. A taxa de coleta
dessas informações foi de três minutos e a amostra foi constituída por 13 veículos,
observados por um período ininterrupto superior a 30 dias.
50
Segundo Chung e Shalaby (2005), quando se utiliza o GPS para levantamentos de
viagem, existem algumas limitações que afetam a qualidade dos dados coletados. O
primeiro problema é a “partida” a quente ou frio. Geralmente, os receptores GPS
necessitam de um tempo de aquisição para obter sua posição atual depois de serem
ligados. O período consumido (durante o qual não se tem dados GPS disponíveis)
varia entre 15 segundos e 5 minutos dependendo do estado do receptor GPS. A
segunda limitação está relacionada ao sinal do GPS que sofre obstrução quando o
receptor está próximo a cânions urbanos (edificações altas em ambas as faces da
via).
De acordo com os mesmos autores estes cânions não apenas podem obstruir o
sinal dos satélites GPS, como também podem refleti-los de forma irregular. Dessa
maneira, os receptores GPS quando próximos a edifícios altos podem não produzir
dados confiáveis de localização. A terceira limitação é o teto dos veículos ou
estacionamentos cobertos que também podem bloquear o sinal.
Os dados de rastreamento utilizados nesta pesquisa possuem um comportamento
que evidencia a ocorrência de situações de perda do sinal GPS. Este
comportamento foi contornado pela empresa responsável pelo rastreamento e
configurado no dispositivo rastreador. O trabalho de contorno consiste em informar a
última posição obtida pelo receptor GPS antes da perda de sinal, ou seja, se o
período de perda de sinal GPS for superior à taxa de coleta/envio da informação, a
base de dados do rastreamento irá conter sequencias de pontos de mesma
localização em instantes de tempo distintos. Esta medida é uma maneira de garantir
uma informação mais próxima da realidade atual do veículo antes da perda do sinal
GPS.
Além disso, a base de dados de rastreamento está sujeita a outros tipos de
anomalias comuns em bancos de dados como, por exemplo, registros duplicados.
Nestes casos, além das coordenadas duplicadas, o instante de tempo da aquisição
dessas informações posicionais também estará duplicado. A amostra de dados
referente aos 13 veículos considerados, durante o período de observação, com taxa
de coleta de três minutos, gerou um volume de registros no banco de dados de
aproximadamente 240.000 registros.
51
3.2 ÁREA DE ESTUDO
A região geográfica considerada nesta pesquisa abrange todos os municípios do
Estado de São Paulo. O dimensionamento da área de estudo a ser considerada,
levou em conta somente a extensão do Estado de São Paulo devido ao fato da
distribuição dos dados de rastreamento estar restrita ao limite deste Estado, como
pode ser verificado na figura 13.
Figura 13. Extensão Geográfica dos dados de rastreamento.
Apesar da grande maioria da concentração dos dados de rastreamento estar
vinculada à região metropolitana do Município de São Paulo, optou-se por
considerar toda a extensão territorial do Estado para avaliar o desempenho das
funções desenvolvidas na pesquisa, tanto no processo preditivo quanto no processo
de geração dos padrões daqueles veículos que eventualmente realizam grandes
viagens. O objetivo principal era avaliar o comportamento dos algoritmos quando
expostos às amostras obtidas em longos trajetos e sujeitos à falta de comunicação,
ou seja, a não transmissão dos dados de rastreamento por um ou vários períodos de
tempo ao longo do trajeto.
3.2.1 Base Cartográfica
A base cartográfica foi composta pelos limites municipais, bem como
dos respectivos bairros quando esta informação era disponível, ou seja, nem todos
os Municípios do Estado de São Paulo
figura 14 ilustra a base cartográfica utilizada na pesquisa.
Figura
O sistema de coordenadas
utilizado pelo sistema GPS, isto é, o WGS84.
coordenadas em virtude
estarem neste sistema de coordenadas
partir do posicionamento GPS
coordenadas decidiu-se utilizar
sistema de coordenadas.
A base cartográfica possui
municípios (quando disponíveis
e a geometria do tipo área responsável por representar o limite municipal. No caso
Base Cartográfica
A base cartográfica foi composta pelos limites municipais, bem como
dos respectivos bairros quando esta informação era disponível, ou seja, nem todos
stado de São Paulo possuiam os limites dos seus bairros.
ra a base cartográfica utilizada na pesquisa.
Figura 14. Base Cartográfica – Estado de São Paulo.
O sistema de coordenadas considerado para a base cartográfica foi o mesmo
pelo sistema GPS, isto é, o WGS84. Optou-se por esse sistema de
em virtude dos dados de rastreamento utilizados na pesquisa
estarem neste sistema de coordenadas. Portanto, como estes dados eram obtidos a
partir do posicionamento GPS, para evitar a necessidade de conversões de
se utilizar uma base cartográfica que estivesse no mesmo
sistema de coordenadas.
possui somente a informação referente a
municípios (quando disponíveis), o código do Estado, o código do próprio
geometria do tipo área responsável por representar o limite municipal. No caso
52
A base cartográfica foi composta pelos limites municipais, bem como pelos limites
dos respectivos bairros quando esta informação era disponível, ou seja, nem todos
os limites dos seus bairros. A
base cartográfica foi o mesmo
por esse sistema de
dos dados de rastreamento utilizados na pesquisa também
omo estes dados eram obtidos a
evitar a necessidade de conversões de
uma base cartográfica que estivesse no mesmo
a informação referente aos nomes dos
stado, o código do próprio Município
geometria do tipo área responsável por representar o limite municipal. No caso
53
da base de dados dos bairros as informações são semelhantes, contêm somente os
nomes dos bairros, o código do Município, o código do Estado e a geometria do tipo
área responsável por representar a extensão do bairro. Esta base cartográfica foi
armazenada no banco de dados, disposta em duas tabelas denominadas
CITIES_SP e NEIGHBORHOODS_SP, e as informações presentes em cada uma
delas pode ser vinculada utilizando o código do município comum às duas tabelas.
3.3 APOIO COMPUTACIONAL
Esta seção tem por finalidade descrever a configuração de máquina utilizada para os
experimentos e desenvolvimento das funções desta pesquisa. O desenvolvimento foi
realizado sobre o ambiente operacional Windows® e a configuração da máquina
utilizada foi:
Sistema Operacional – Microsoft Windows XP Home Edition Versão 2002
Service Pack 3;
Processador – Intel® Core™ T5500 (2M Cache, 1.66GHz, 997 MHz);
Memória RAM – 1GB;
Disco Rígido (HD) – 80GB.
Aplicativos:
o PostGIS – versão 1.3.6
o PostgreSQL – versão 8.2
o ArcMap – versão 9.1
o gvSIG – versão 1.9;
3.4 CONSIDERAÇÕES FINAIS
O objetivo principal deste capítulo foi descrever os recursos que foram utilizados
nesta pesquisa, tanto no que tange às características e origem dos dados, sejam
eles oriundos do rastreamento dos veículos ou aqueles que compõem a base
cartográfica, quanto à configuração de máquina utilizada para executar as funções
desenvolvidas.
54
4 METODOLOGIA
Este capítulo apresenta a metodologia proposta para a geração dos padrões
relacionados aos veículos rastreados, e o procedimento executado para obteção da
previsão dos prováveis destinos de um determinado veículo. É importante ressaltar
que a metodologia proposta considera um sistema no qual os dados do histórico de
rastreamento do veículo foram ou são armazenados continuamente por um período
mínimo de 30 dias, e a previsão é fornecida considerando-se valores de
probabilidade obtidos pelas funções desenvolvidas.
Além disso, os algoritmos desenvolvidos nesta pesquisa consideram apenas como
objetos móveis aqueles objetos que possam ser representados por geometrias
pontuais (ex: veículos, pessoas etc.) e cuja localização foi obtida utilizando o
posicionamento via satélite. Toda a modelagem desenvolvida considera veículos
leves (do tipo passeio).
4.1 ETAPA I – PREPARAÇÃO DOS DADOS
O objetivo principal desta seção é descrever os procedimentos realizados sobre a
amostra de dados de rastreamento, descrevendo o formato original, os
procedimentos executados que permitiram sua utilização e, discutir a necessidade
de cada procedimento.
Os arquivos de dados cedidos para a pesquisa estavam no formato *.csv (arquivo
com valores separados por virgulas) e, antes da utilização destes dados, foi
realizado um tratamento prévio para a inserção desses dados num banco de dados.
O SGBD (Sistema Gerenciador de Bancos de Dados) utilizado na pesquisa foi o
PostgreSQL na versão 8.2, acrescido da sua extensão espacial PostGIS na versão
1.3.6.
O PostGIS possui um executável chamado shp2pgsql.exe, o qual é utilizado para
fazer a inserção de dados espaciais no banco de dados a partir de um arquivo
55
shapefile. Este executável interpreta os dados do arquivo shapefile e gera um
arquivo no formato *.sql com a estrutura da tabela que será criada no banco de
dados, juntamente com os dados que serão inseridos nesta tabela.
Quando a opção de inserção dos dados for a partir desse executável, os dados do
arquivo *.csv devem ser previamente geocodificados em algum aplicativo GIS (por
exemplo: ArcGIS – ArcMap ou gvSIG) e posteriormente exportados para o formato
shapefile para que possam ser utilizados neste executável.
De acordo com ESRI (1998) um arquivo shapefile é composto por um arquivo
principal no formato *.shp, um arquivo de indexação (*.shx) e uma tabela dBASE
(*.dbf). O arquivo principal corresponde ao arquivo de acesso direto que descreve,
em forma de lista, o tipo de variável, tamanho do registro (ex: 4bit) e os vértices que
cada registro possui. No arquivo de índice cada, registro contém um apontamento
para o registro correspondente no arquivo principal. A tabela dBASE
contém os atributos que cada registro possui, e o relacionamento um-para-um
entre a geometria e atributos baseia-se no número do registro. Os registros dos
atributos na tabela dBASE devem estar na mesma ordem que os registros estão no
arquivo principal. Portanto, um arquivo shapefile será composto de no mínimo três
arquivos como, por exemplo:
Arquivo Principal: bairros.shp
Arquivo de Índice: bairros.shx
Tabela dBASE: bairros.dbf
Uma vez que tenham sido gerados os arquivos shapefile, eles devem ser
armazenados no mesmo diretório em que se encontra o executável, disponível
em:...\PostgreSQL\8.2\bin. Depois, utilizando a interface de linha de comando,
disponível na instalação do SGBD, é necessário executar os procedimentos
descritos no APÊNDICE B.
Portanto, a etapa de preparação dos dados consistiu da:
1. Geocodificação dos dados contidos no arquivo *.csv;
2. Exportação dos dados geocodificados para o formato shapefile e,
56
3. Utilização dos executáveis shp2pgsql.exe e psql.exe para a inserção dos
dados no banco de dados.
A etapa de inserção dos dados também considera a necessidade de validação dos
formatos considerados no momento de inserção dos dados no banco, por exemplo,
a informação referente ao instante de tempo da aquisição das coordenadas deve
estar num formato de tempo e, de acordo com a figura 1 do APÊNDICE B, esta
informação esta sendo inserida com uma string de 254 posições. Sendo assim, é
necessário fazer uma conversão desta informação, de tal forma que o dado passe a
ser do tipo “timestamp without time zone”.
É importante ressaltar que este procedimento de carga dos dados garante que eles
quando inseridos no banco de dados possuam o tipo da geometria associada a cada
registro, como pode ser verificado na coluna the_geom do arquivo de inserção,
ilustrado pela figura 1 do APÊNDICE B. Porém, o desenvolvimento dos algoritmos
desta pesquisa desconsidera a necessidade desse campo geométrico, pois essa
geometria é gerada em tempo de execução pelos algoritmos, a partir das
coordenadas presentes nos campos da tabela AVL_ALL denominados “latitude” e
“longitude”, descritos no APÊNDICE A.
Esta desconsideração do campo geométrico vinculado ao registro foi feita em razão
da forma que os dados são transmitidos pelo rastreador à central de monitoramento
e são armazenados no banco de dados de rastreamento, ou seja, o banco de dados
de rastreamento não possui uma geometria vinculada a cada registro. Geralmente,
possui apenas um par de coordenadas associado a um instante de tempo.
O objetivo desta consideração foi não alterar o ciclo executado por um sistema AVL,
que venha a considerar a implantação das rotinas desenvolvidas nesta pesquisa.
Portanto, uma vez que as coordenadas do rastreamento de um veículo esteja
armazenada numa tabela do PostGIS não é necessária essa etapa de preparação
dos dados.
57
4.2 ETAPA II – GERAÇÃO DE PADRÕES
O processo de Geração dos Padrões tem como objetivo principal fornecer subsídios
que auxiliem no processo de previsão da movimentação de um determinado veículo,
fundamentados nos dados de rastreamento. Este processo deverá fornecer
informações suficientes para responder questões como:
Para onde um determinado veículo está indo?
Quais são os locais que um determinado veículo costuma estar em
determinados dias da semana ou período do dia?
Qual é a localidade que o veículo costuma estar na maior parte do tempo?
O que caracteriza uma parada ou um trajeto realizado pelo veículo?
Quais informações adicionais seriam interessantes na definição de uma
parada ou trajeto?
O processo geral, no qual são gerados os Padrões e a Previsão, está representado
na figura 15 e pode ser interpretado da seguinte maneira:
1. O banco de dados irá armazenar durante um período de tempo consecutivo
todas as informações do rastreamento dos veículos;
2. Uma função desenvolvida no SGBD será executada periodicamente para que
sejam gerados ou atualizados os padrões (aqui divididos em Padrões de
Movimentação e Padrões de Localização);
3. Os padrões gerados serão armazenados em tabelas distintas criadas no
próprio banco de dados;
4. As informações armazenadas nas tabelas dos padrões serão utilizadas por
outra função responsável pela previsão do provável Destino de um
determinado veículo.
58
Figura 15. Processo Geral para a Geração dos Padrões e Previsão.
O processo de geração de padrões é executado periodicamente, de maneira que as
informações armazenadas nas tabelas de Padrão de Movimentação e Padrão de
Localização sejam atualizadas constantemente. Já o processo de previsão será
executado sob demanda, ou seja, quando o usuário desejar obter a informação de
“Para onde o veículo está indo ou irá?”, desde que o veículo consultado possua
um Padrão de Movimentação e Localização para responder a este questionamento.
As fontes de informação utilizadas no processo de geração de padrões foram: uma
base cartográfica, e os dados de rastreamento obtidos com o posicionamento GPS
que, na concepção de um sistema AVL, são armazenados diretamente numa tabela
do banco de dados. No caso desta pesquisa esta tabela foi denominada AVL_ALL
(APÊNDICE A), caracterizada com os seguintes atributos: VEHICLE_ID, LATITUDE,
LONGITUDE, DATE_TIME, responsáveis por armazenar a informação referente ao
identificador do veículo, o valor das coordenadas da latitude e longitude e o instante
de tempo da aquisição destas coordenadas, respectivamente. Assim, o processo de
geração de padrões inicia-se a partir da distinção do estado de cada ponto de
rastreamento, ou seja, da detecção dos pontos que definem um trajeto e daqueles
que compõem uma parada.
Banco de Dados AVL
Geração de Padrões
Padrões de Movimentação
Padrões de Localização
Previsão
59
4.2.1 Detecção de Trajetos
Este procedimento é o principal na geração dos padrões, por que é responsável por
identificar o estado de cada ponto de rastreamento do veículo. Com base no
resultado desse procedimento serão definidos os pontos de rastreamento que
compõem as paradas realizadas pelos veículos e, a partir destas paradas que serão
gerados os Padrões de Localização.
A importância da descoberta dos pontos de rastreamento que definem uma parada
para o Padrão de Movimentação também é reforçada por Cunha (2008), que faz a
diferenciação dos pontos em movimento e dos pontos parados, utilizando distâncias
relativas entre o ponto de rastreamento e uma determinada rodovia de estudo. Nesta
diferenciação, é avaliado se a distância entre um ponto de rastreamento e a rodovia
é superior a um valor previamente estipulado e, caso isso aconteça, este ponto será
considerado com uma saída de percurso (uma parada, saída de percurso etc.).
A premissa considerada nesta pesquisa é que todos os registros de rastreamento
que não são classificados como em movimento, estão parados. A utilização dessa
premissa se deve ao fato de ser mais confiável afirmar quais são os pontos de
rastreamento que definem um movimento, do que quais estão parados quando se
está avaliando os registros de rastreamento de um objeto móvel. Isto porque, a
movimentação do objeto é um evento mais caracteristico, pois, na maioria dos
casos, os delocamentos entre os pontos de rastreamento são maiores que o erro de
posicionamento considerado.
A afirmação do estado “em movimento” de um determinado veículo considera a
comparação entre o valor de deslocamento calculado entre pontos consecutivos e
um valor pré-estabelecido. Além de uma quantidade mínima de pontos sucessivos
com esse mesmo comportamento, que, dependendo da taxa de coleta das posições
do veículo, determinarão o período mínimo de observação para tal afirmação.
Nesta pesquisa, o valor pré-estabelecido de deslocamento entre pontos considerado
como limite, foi de dezesseis metros. Este valor foi considerado como a pior acurácia
60
na determinação de uma posição do veículo e, foi obtido considerando-se a soma
aproximada de dois valores:
1. O primeiro valor refere-se ao erro obtido a partir da resultante utilizando-se as
coordenadas X e Y do exemplo apresentado por Monico (2008, p. 299), no
qual a valor da acurácia posicional apresentou o valor de 15.45 m,
considerando-se as coordenadas X e Y.
2. O segundo valor é proveniente do erro causado pelo multicaminho do sinal
GPS (0.6 m), destacado por Rodrigues, Cugnasca e Queiroz Filho (2009, p.
28).
É importante ressaltar que outras literaturas apresentam um valor menor e,
consequentemente, uma melhor da acurácia posicional para esta técnica de
posicionamento. Mas o objetivo, neste trabalho, foi estipular o valor na pior das
hipóteses. Portanto, nesta pesquisa o valor considerado foi de 16 m, ou seja, se
entre pontos de rastreamento a distância calculada for inferior a 16 metros,
considera-se que entre estes dois instantes o veículo não se movimentou. Como
mencionado previamente, o período de observação mínimo para avaliação de uma
mudança de estado do veículo será estipulado em função da taxa de coleta das
posições do veículo. No caso desta pesquisa a taxa de coleta foi de três minutos.
Para esta pesquisa, definiu-se que a afirmação do estado do veículo deve
considerar o maior número de ocorrências de deslocamentos entre pontos de
rastreamento numa amostra de, no máximo, oito registros de rastreamento
consecutivos, ou seja, se nesta amostra prevalecer a ocorrência de deslocamentos
maiores que 16 metros assume-se que o veículo está em movimento. A figura 16
ilustra as possibilidades das quantidades de registros (pontos de rastreamento)
necessários para a definição do estado do veículo.
61
Figura 16. Quantidade de registros necessários para a afirmação do estado do veículo.
Observe que os três primeiros casos podem sofrer variações em relação a figura 16.
Para efeitos de ilustração, essas variações foram desconsideradas. Entretanto, são
consideradas na análise executada pelo algoritmo responsável por identificar o
estado atual do veículo.
Ressalta-se ainda que o algoritmo considera a contagem de deslocamentos que
prevalecem e foram obtidas na sequência anterior de pontos. Por exemplo, no Caso
(1) da figura 16 se o nono registro apresentar um deslocamento inferior a 16 metros
a contagem de deslocamentos inferiores será iniciada novamente em 1 (um), caso
ele apresente um deslocamento superior à contagem continua. Este comportamento
visa eliminar possíveis aberrações nos dados causadas por fontes de erros
adversas. O Algoritmo 1, representado na figura 17, ilustra o processo de definição
dos registros que são classificados como “em movimento”.
62
Algoritmo 1: Define o estado do veículo (parado ou em movimento) 1. OPEN cursor1; 2. OPEN cursor2; 3. n = 1; 4. n2 = 1; 5. dgrupo = 0; 6. dgrupo2 = 0; 7. FETCH cursor2 INTO vv_gid, vv_latitude, vv_longitude; 8. FETCH cursor1 INTO a_gid, a_latitude, a_longitude, a_datahora; 9. LOOP 10. FETCH cursor2 INTO v_gid, v_latitude, v_longitude, v_datahora; 11. IF NOT FOUND THEN 12. EXIT; 13. END IF; 14. IF a_latitude <> v_latitude AND a_longitude <> v_longitude THEN -- Longitudes e Latitudes Iguais entre os Pontos 15. distmetros = ROUND(DISTANCE_SPHEROID(SETSRID(('POINT(' || a_longitude || ' ' || a_latitude ||
')')::GEOMETRY, 4326), SETSRID(('POINT(' || v_longitude || ' ' || v_latitude || ')')::GEOMETRY, 4326), 'SPHEROID["WGS 84",6378137,298.257223563]')::NUMERIC, 3);
16. IF distmetros > 16 THEN -- O veículo está Em Movimento 17. status = 'MOVIMENTANDO'; 18. n = (n + 1); 19. IF n = 1 THEN 20. datahora1 = a_datahora; 21. ELSIF n >= 4 THEN 22. n2 = 0; 23. IF n = 4 THEN 24. dgrupo = (dgrupo + 1); 25. UPDATE avl_calc SET point_movi = dgrupo WHERE date_time >= datahora1 AND
date_time <= v_datahora AND point_stops ISNULL; 26. datahora1 = v_datahora; 27. ELSE 28. UPDATE avl_calc SET point_movi = dgrupo WHERE date_time >= datahora1 AND
date_time <= v_datahora AND point_stops ISNULL; 29. datahora1 = v_datahora; 30. END IF; 31. END IF; 32. ELSE -- O veículo está Parado 33. status = 'PARADO'; 34. n2 = (n2 + 1); 35. IF n2 >= 4 THEN 36. n = 0; 37. END IF; 38. END IF; 39. UPDATE avl_calc SET dist_meters = distmetros, the_geom = SETSRID(('POINT(' || v_longitude || ' ' ||
v_latitude || ')')::GEOMETRY, 4326) WHERE date_time = v_datahora; 40. ELSE -- Longitudes e Latitudes Iguais entre os Pontos = O veículo está Parado 41. status = 'PARADO'; 42. n2 = (n2 + 1); 43. IF n2 >= 4 THEN 44. n = 0; 45. END IF; 46. UPDATE avl_calc SET dist_meters = 0, the_geom = SETSRID(('POINT(' || v_longitude || ' ' || v_latitude ||
')')::GEOMETRY, 4326) WHERE date_time = v_datahora; 47. END IF; 48. a_latitude = v_latitude; 49. a_longitude = v_longitude; 50. a_datahora = v_datahora; 51. END LOOP; 52. CLOSE cursor2; 53. CLOSE cursor1;
Figura 17. Algoritmo 1: Definição do Estado do Veículo.
Uma sequência de registros classificados como “em movimento” recebe um
identificador de grupo. É a partir desse identificador de grupo que serão geradas as
geometrias (lineares) que irão representar os trajetos percorridos pelo veículo entre
63
uma parada e outra - origem e destino, respectivamente. Essas geometrias serão
geradas ordenando-se cronologicamente as geometrias pontuais dos registros que
foram classificados como “em movimento”, considerando-se também a geometria
que representa os dois centróides provenientes das geometrias do tipo área que
representam a origem e o destino. Na figura 18-(a) a linha realçada em laranja ilustra
o trajeto gerado para a movimentação do veículo entre a origem (O) e o destino (D)
e, na figura 18-(b) há uma inversão entre a origem e o destino e a linha em azul
representa o trajeto de retorno entre O-D.
(a) (b)
Figure 18. Em (a) trajeto de ida entre (O-D) e em (b) trajeto de volta entre (O-D)
4.2.2 Detecção de Paradas
O processo que define as paradas realizadas pelos veículos rastreados é
dependente e decorrente do processo que define quais pontos de rastreamento são
classificados como “em movimento”. Portanto, o algoritmo que define as paradas
O
D
D
O
64
efetuadas pelos veículos é bem mais simples. Na verdade, esse algoritmo apenas
percorre os registros dos pontos de rastreamento cronologicamente e atribui àqueles
que não foram classificados como “em movimento”, identificadores de grupos, ou
seja, todos os pontos de rastreamento que estão entre dois grupos de pontos
classificados como “em movimento” recebem o mesmo valor do identificador de
grupo. A figura 19 ilustra o Algoritmo 2 que é responsável pela definição dos pontos
de rastreamento que são considerados como “parados”, ou seja, as paradas
efetuadas pelo veículo.
Algoritmo 2: Define os Grupos de Paradas Efetuadas pelo veículo 1. n = MAX(point_movi) FROM avl_viewcalc; 2. FOR i IN 1..n LOOP 3. datahora1 = MIN(date_time) FROM avl_viewcalc WHERE point_movi = i; 4. UPDATE avl_calc SET point_stops = i WHERE date_time < datahora1 AND point_movi ISNULL AND point_stops
ISNULL; 5. END LOOP;
Figura 19. Algoritmo 2: Definição dos Grupos de Paradas.
Uma vez definidos os grupos de pontos de rastreamento que sinalizam uma parada
efetuada pelo veículo, um terceiro algoritmo define a geometria que representa a
área da parada realizada, bem como o intervalo de tempo que o veículo permaneceu
nesse local. A definição dessa geometria é de suma importância, pois ela será
utilizada tanto no processo de geração de Padrões de Localização quanto no
processo de geração do Padrão de Movimentação.
Como o erro máximo considerado no posicionamento GPS foi de 16 metros, a
geometria que representa uma parada é definida por um buffer de 16 metros a partir
do ponto médio, calculado com base nos pontos de rastreamento que possuem o
mesmo identificador de grupo de parada. Este buffer passa a ser, portanto, uma
área de entorno ao ponto médio, representado por um círculo com origem neste
ponto e raio igual a 16 metros. O algoritmo responsável pela geração destas áreas
está representado na figura 20. O resultado gráfico do Algoritmo 3 pode ser
verificado na figura 21, na qual é representada a geometria gerada pelo buffer a
partir do ponto central de uma determinada parada.
Algoritmo 3: Geração da Geometria que representará a Parada e cálculo do Tempo de Permanência
na Parada 1. n = MAX(point_stops) FROM avl_viewcalc;2. FOR i IN 1..n LOOP 3. datahora1 = MIN(date_time4. datahora2 = MAX(date_time5. deltatparada = (datahora2 6. i2 = 0; 7. n2 = 0; 8. FOR v_the_geom IN (SELECT9. i2 = (i2 + 1); 10. IF i2 >= 2 THEN 11. distmetros =
84",6378137,298.257223563]')::12. IF distmetros < 16 13. 14. 15. END IF16. ELSE 17. n2 = (n2 + 1);18. m_the_geom = v_the_geom;19. END IF; 20. END LOOP; 21. bufferparadas = SETSRID(22. UPDATE avl_calc SET deltat_stops = deltatparada, the_geom_stop
datahora2; 23. END LOOP
Figura 20. Algoritmo 3: Geração da
Figura 21. Ge
Uma particularidade encontrada nos dados de rastreamento quando o
parado, e que ocorre em virtude do
cobertos ou subterrâneos
Geração da Geometria que representará a Parada e cálculo do Tempo de Permanência
avl_viewcalc;
ate_time) FROM avl_viewcalc WHERE point_stops = i; ate_time) FROM avl_viewcalc WHERE point_stops = i;
deltatparada = (datahora2 - datahora1);
SELECT the_geom FROM avl_viewcalc WHERE point_stops = i)
distmetros = ROUND(DISTANCE_SPHEROID(v_the_geom, a_the_geom,
84",6378137,298.257223563]')::NUMERIC, 3); distmetros < 16 THEN
n2 = (n2 + 1); m_the_geom = (m_the_geom + v_the_geom)/n2;
IF;
n2 = (n2 + 1); m_the_geom = v_the_geom;
(BUFFER(m_the_geom, 0.000144)::GEOMETRY, 4326); deltat_stops = deltatparada, the_geom_stop = bufferparadas WHERE
. Algoritmo 3: Geração da geometria da parada e cálculo do tempo de duração da parada
1. Geometrias geradas a partir do buffer de uma parada.
Uma particularidade encontrada nos dados de rastreamento quando o
e que ocorre em virtude do veículo estar estacionado em estacionamentos
cobertos ou subterrâneos, é que durante o seu período de permanência nesses tipos
65
Geração da Geometria que representará a Parada e cálculo do Tempo de Permanência
= i) LOOP
(v_the_geom, a_the_geom, 'SPHEROID["WGS
WHERE date_time_path =
cálculo do tempo de duração da parada.
arada.
Uma particularidade encontrada nos dados de rastreamento quando o veículo está
estar estacionado em estacionamentos
é que durante o seu período de permanência nesses tipos
66
de estacionamentos, suas coordenadas geográficas (Latitude e Longitude) não são
obtidas pelo resceptor GPS. Quando isso ocorre, a localização do veículo,
transmitida para a central de monitoramento se refere ao último posicionamento
obtido pelo receptor GPS, antes da perda de sinal. Entretanto, a informação
referente ao instante de tempo tem contínua transmissão, ou seja, o banco de dados
armazena registros de localização repetidos em instantes de tempo diferentes.
Segundo Volpato et al. (2008), edifícios, morros, cobertura densa de uma floresta e
interferências eletrônicas podem bloquear a recepção do sinal GPS, o que causa
erros de posicionamento ou possivelmente nenhuma leitura do atual posicionamento
do receptor. Assim, os receptores GPS geralmente não funcionam dentro de casas,
túneis, estacionamentos cobertos, debaixo d'água, etc..
Caso ocorra perda na comunicação entre o dispositivo embarcado e a central de
monitoramento, os dispositivos geralmente são capazes de armazenar
temporariamente as informações de rastreamento e, assim que for reestabelecida a
comunicação, essas informações serão transmitidas à central de monitoramento
(RODRIGUES; CUGNASCA; QUEIROZ FILHO, 2009).
Em razão destas circunstâncias, pode-se dizer que a condição mais favorável para o
posicionamento do veículo seria quando ele estivesse em movimento ou parado
num estacionamento aberto, uma vez que, na maioria das vezes, esta condição
pode garantir um número maior de satélites disponíveis para o posicionamento do
veículo, salvo os momentos em que o veículo estiver transitando em túneis ou entre
edifícios. Sendo assim, são considerados, para representação das paradas
efetuadas pelo veículo, os pontos de rastreamento que estão entre dois trajetos
subsequentes, por exemplo: trajeto 1; parada 1; trajeto 2; parada 2; ...; trajeto n;
parada n; trajeto n+1.
4.2.3 Padrões de Movimentação
Cada trajeto realizado entre uma parada e outra será considerados como um
registro de Padrão de Movimentação, isto é, de onde pra onde o veículo se
67
movimentou num determinado instante de tempo. Este padrão será representado
por uma geometria linear gerada a partir dos registros classificados como “em
movimento”, ordenados cronologicamente, incluindo-se um ponto inicial e final,
referentes ao último ponto parado antes do início da movimentação e primeiro ponto
parado após o término da movimentação, respectivamente.
As informações referentes ao Padrão de Movimentação são armazenadas em uma
tabela denominada AVL_PATTERNS_MOV. Os atributos que compõem esta tabela
são responsáveis por armazenar informações referentes a identificação do veículo, a
geometria linear que representa o trajeto realizado, a geometria pontual que
representa o início deste trajeto, a geometria pontual do final deste trajeto, os
instantes de tempo inicial e final deste trajeto, o ângulo de orientação de cada
segmento que compõem esse trajeto, um identificador para o trajeto e um
identificador para cada segmento que compõem o trajeto, respectivamente. Esse
conjunto de informações caracteriza um padrão de movimentação.
A partir destes atributos, podem ser realizados questionamentos referentes ao
próximo destino do veículo considerando sua atual informação espaço-temporal.
Portanto, com base nessa geometria linear, são extraídas as informações
necessárias para realizar o relacionamento espacial entre as geometrias das regiões
de paradas, armazenadas na tabela do Padrão de Localização. Estes atributos
permitem filtragens temporais no questionamento como, por exemplo, considerando-
se que o veículo esteja numa determinada parada, num determinado dia da semana
e período do dia, quais seriam os seus prováveis Destinos?
4.2.3.1 Geração dos Padrões de Movimentação
Como mencionado anteriormente, todo processo de geração de um Padrão de
Movimentação se inicia a partir dos pontos de rastreamento classificados como “em
movimento” e da geometria proveniente desses pontos. Portanto, pode-se
considerar como início desse processo as rotinas do Algoritmo 1. O algoritmo 4,
representado na figura 22, é responsável por preencher as informações na tabela
AVL_PATTERNS_MOV.
68
Algoritmo 4: Extrai e Insere as Informações relacionadas ao Padrão de Movimentação -- Preparação dos dados que serão utilizados na geração do Padrão de Movimentação 1. FOR i IN 1..(SELECT MAX(point_movi) FROM avl_viewcalc) LOOP 2. datahora1 = MAX(date_time) FROM avl_viewcalc WHERE point_stops = i; 3. datahora2 = MIN(date_time) FROM avl_viewcalc WHERE point_stops = (i + 1); 4. pto_ini = CENTROID(the_geom_stop) FROM avl_viewcalc WHERE point_stops = i AND the_geom_stop NOTNULL; 5. pto_fim = CENTROID(the_geom_stop) FROM avl_viewcalc WHERE point_stops = (i + 1) AND the_geom_stop
NOTNULL; 6. UPDATE avl_calc SET the_geom_path = pto_ini, date_time_path = datahora1, trajeto = i WHERE date_time =
datahora1; 7. UPDATE avl_calc SET the_geom_path = pto_fim, date_time_path = datahora2, path = i WHERE date_time =
datahora2; 8. FOR datahora3, pto_central IN (SELECT date_time, the_geom FROM avl_viewcalc WHERE point_movi = i) LOOP 9. UPDATE avl_calc SET the_geom_path = pto_central, date_time_path = datahora3, path = i WHERE date_time
= datahora3; 10. END LOOP; 11. END LOOP; -- Construir a geometria do trajeto executado pelo veículo 12. FOR i IN 1..(SELECT MAX(path) FROM avl_viewcalc) LOOP 13. geometria = (MAKELINE(SETSRID(foo.the_geom_path, 4326))) FROM (SELECT the_geom_path, path FROM
avl_viewcalc WHERE path = i ORDER BY date_time_path, path) AS foo GROUP BY foo.path; 14. a_datahora = MIN(date_time) FROM avl_viewcalc WHERE path = i; 15. v_datahora = MAX(date_time) FROM avl_viewcalc WHERE path = i; 16. UPDATE avl_calc SET the_geom_path_line = geometria WHERE date_time = v_datahora; 17. END LOOP; --Inserir dados na tabela de Padrões de Movimentação 18. FOR i IN 1..(SELECT MAX(path) FROM avl_viewcalc WHERE path NOTNULL) LOOP 19. v_gid = gid FROM avl_viewcalc WHERE path = i AND the_geom_path_line NOTNULL; 20. IF v_gid NOTNULL THEN 21. geometria = the_geom_path_line FROM avl_viewcalc WHERE path = i AND the_geom_path_line NOTNULL; 22. pto_ini = STARTPOINT(the_geom_path_line) FROM avl_viewcalc WHERE path = i AND the_geom_path_line
NOTNULL; 23. pto_fim = ENDPOINT(the_geom_path_line) FROM avl_viewcalc WHERE path = i AND the_geom_path_line
NOTNULL; 24. a_datahora = MIN(date_time_path) FROM avl_viewcalc WHERE path = i AND the_geom_path NOTNULL; 25. v_datahora = MAX(date_time_path) FROM avl_viewcalc WHERE path = i AND the_geom_path NOTNULL; 26. INSERT INTO avl_patterns_mov ( vehicle_id, the_geom_path, the_geom_beg, the_geom_end, date_time_beg,
date_time_end, day_of_week) VALUES ( codveic_min, geometria, pto_ini, pto_fim, a_datahora); 27. END IF; 28. END LOOP; --Calcula e preenche a orientação dos segmentos que compõem a trajetória do veículo 29. FOR i IN SELECT DISTINCT vehicle_id FROM avl_patterns_mov LOOP 30. FOR geom_first, v_gid IN SELECT the_geom_beg, gid FROM avl_patterns_mov WHERE vehicle_id = i LOOP 31. FOR geom_first_centro IN SELECT CENTROID(t1.the_geom) FROM avl_patterns_loc t1 WHERE
WITHIN(geom_first, t1.the_geom) AND t1.vehicle_id = i LOOP 32. num_ptos = NUMPOINTS(the_geom_path) FROM avl_patterns_mov WHERE gid = v_gid; 33. n_pto = 2; 34. n_pto2 = 1; 35. WHILE n_pto < num_ptos LOOP 36. geom_next = POINTN(the_geom_path, n_pto) FROM avl_patterns_mov WHERE gid = v_gid; 37. IF geom_next <> geom_first_centro THEN 38. azim = ROUND(DEGREES(AZIMUTH(geom_first_centro, geom_next)::NUMERIC)::NUMERIC, 6); 39. IF n_pto = 2 THEN 40. UPDATE avl_patterns_mov SET orient_seg_path = azim, the_geom_path_point = geom_next,
path_pt_id = v_gid, path_pt = 1 WHERE gid = v_gid; 41. ELSE 42. n_pto2 = (n_pto2 + 1); 43. INSERT INTO avl_patterns_mov (orient_seg_path, the_geom_path_point, path_pt_id, path_pt)
VALUES (azim, geom_next, v_gid, n_pto2); 44. END IF; 45. geom_first_centro = geom_next; 46. END IF; 47. n_pto = (n_pto + 1); 48. END LOOP; 49. END LOOP; 50. END LOOP; 51. END LOOP;
Figura 22. Algoritmo 4: Preenche as informações relacionadas ao Padrão de Movimentação.
69
Após o preenchimento das informações relacionadas ao Padrão de Movimentação,
outro algoritmo é responsável por armazenar as informações referentes ao último
movimento realizado pelo veículo, e que foi considerado na geração dos padrões. O
objetivo desse processo é assegurar que, na próxima vez que a função de geração
de padrão for executada, ela continue a partir do último movimento detectado na
execução anterior. A figura 23 ilustra este algoritmo.
Algoritmo 5: Armazenar o último movimento realizado pelo veículo --Popular a tabela de padrões dos últimos movimentos 1. i = MAX(point_stops) FROM avl_viewcalc; 2. n = DISTINCT vehicle_id FROM avl_viewpatterns_last_mov WHERE vehicle_id = codveic_min; 3. IF n ISNULL AND i NOTNULL THEN 4. INSERT INTO avl_patterns_last_mov (the_geom, date_time, vehicle_id, group_stops) SELECT DISTINCT
the_geom_path, date_time, vehicle_id, group_stops FROM avl_viewcalc WHERE group_stops = i AND the_geom_path NOTNULL;
5. ELSIF n NOTNULL AND i NOTNULL THEN 6. a_datahora = date_time FROM avl_viewcalc WHERE group_stops = i AND the_geom_path NOTNULL; 7. geometria = the_geom_path FROM avl_viewcalc WHERE group_stops = i AND the_geom_path
NOTNULL; 8. UPDATE avl_patterns_last_mov SET group_stops = i, the_geom = geometria, date_time = a_datahora
WHERE vehicle_id = n; 9. END IF;
Figura 23. Algoritmo 5: Armazenar o último movimento realizado pelo veículo;
4.2.4 Padrões de Localização Consideram-se como um Padrão de Localização, nesta pesquisa, todas as
informações possíveis que estejam vinculadas a uma determinada região de parada
como, por exemplo, o número de vezes que ela ocorre, quais dias da semana e
períodos do dia são mais frequentes, além de informações extraídas a partir de uma
base cartográfica que forneçam um significado associado como, por exemplo, o
nome do bairro e município desta parada.
Para tanto, uma tabela denominada AVL_PATTERNS_LOC armazena as
informações referentes a cada região de parada efetuada pelo veículo. As
informações armazenadas nesta tabela visam evitar uma grande quantidade de
registros na tabela, bem como que as operações topológicas que definem uma
região de parada sejam executadas na função responsável pelo cálculo de previsão.
O principal objetivo desta abordagem é garantir que a previsão de movimentação do
70
veículo seja executada num intervalo de tempo menor, uma vez que esta função é
requisitada sob demanda do usuário e a função que gera os padrões de localização
é executada periodicamente.
Os atributos armazenados nessa tabela fornecem informações espaço-temporal que
são utilizadas em conjunto com as informações armazenadas na tabela
AVL_PATTERNS_MOV, para predizer a movimentação do veículo. Em razão dos
vários atributos da tabela AVL_PATTERNS_LOC armazena, não cabe aqui uma
descrição detalhada dos mesmos. Sendo assim, maiores detalhes podem ser
observados no APÊNDICE A, que descreve o diagrama do banco de dados utilizado
nesta pesquisa. Por hora, é suficiente saber que esta tabela é capaz de armazenar a
informação espacial de onde uma ou mais paradas ocorrem, por meio da região de
paradas e, todas as informações temporais provenientes de cada parada que
compõem esta região.
4.2.4.1 Geração dos Padrões de Localização
A geração de um Padrão de Localização inicia-se a partir dos grupos de pontos de
rastreamento que foram identificadas sequencialmente como “parados”. Cada um
desses grupos é representado por um círculo de raio igual a 16 metros, que será
utilizado na análise espacial que define uma região de parada, a qual reune todas as
informações temporais pertinente a cada um destes círculos. A análise espacial
considera a proximidade entre as geometrias das paradas (os círculos).
Como o valor da face de quadra, que é uma variável no cálculo da área de um
imóvel, é uma caracteristica física e peculiar de cada imóvel, devido à variação que
ocorre bairro a bairro, loteamento a loteamento, onde as caracteristicas do terreno,
especialmente a área, são padronizadas de formas distintas, em função do
zoneamento, características sócio-econômicas. É importante considerar os valores
de face de quadra, obtidos numa região de estudo, que define uma amostra que
melhor se adeque a massa de imóveis avaliados (CTAGEO, 2010).
71
Nesse contexto, o valor de proximidade considerado nesta pesquisa foi de 50
metros. Este valor foi obtido a partir do valor médio calculado com base numa
amostra de tamanhos de faces de estacionamentos contidos numa fração da área
de estudo considerada nesta pesquisa. O objetivo dessa análise de proximidade é
identificar as paradas que ocorrem no mesmo local, mas que, devido a dimensão do
estacionamento e/ou ofertas de vagas, estejam distantes em relação a parada que
ocorreu nesse mesmo estacionamento no passado. O algoritmo responsável pela
identificação desse agrupamento de paradas está representado na figura 24.
72
Algoritmo 6: Agrupamento e Identificação de uma Única Parada 1. i = 1; 2. i2 = 0; 3. LOOP 4. n = COUNT(gid)::INT FROM avl_viewcalc WHERE the_geom_stop NOTNULL AND group_stops ISNULL; 5. a_gid = gid FROM avl_viewcalc WHERE the_geom_stop NOTNULL AND group_stops ISNULL ORDER BY
date_time ASC LIMIT 1; 6. v_datahora = MAX(date_time) FROM avl_viewcalc c WHERE c.gid IN (SELECT DISTINCT c2.gid FROM
avl_viewcalc c1, avl_viewcalc c2 WHERE (OVERLAPS(c1.the_geom_stop, c2.the_geom_stop) AND (c2.gid <> a_gid) AND (c1.gid = a_gid)) OR ((DISTANCE(c1.the_geom_stop, c2.the_geom_stop) < 0.000449) AND (c2.gid <> a_gid) AND (c1.gid = a_gid))) OR gid = a_gid;
7. m_the_geom = CENTROID(GEOMUNION(the_geom_stop)) FROM avl_viewcalc WHERE gid IN (SELECT DISTINCT c2.gid FROM avl_viewcalc c1, avl_viewcalc c2 WHERE (OVERLAPS(c1.the_geom_stop, c2.the_geom_stop) AND (c2.gid <> a_gid) AND (c1.gid = a_gid)) OR ((DISTANCE(c1.the_geom_stop, c2.the_geom_stop) < 0.000449) AND (c2.gid <> a_gid) AND (c1.gid = a_gid))) OR gid = a_gid;
8. distmetros = MAX(DISTANCE(c.the_geom_stop, m_the_geom))::NUMERIC FROM avl_viewcalc c WHERE c.gid IN (SELECT DISTINCT c2.gid FROM avl_viewcalc c1, avl_viewcalc c2 WHERE (OVERLAPS(c1.the_geom_stop, c2.the_geom_stop) AND (c2.gid <> a_gid) AND (c1.gid = a_gid)) OR ((DISTANCE(c1.the_geom_stop, c2.the_geom_stop) < 0.000449) AND (c2.gid <> a_gid) AND (c1.gid = a_gid))) OR gid = a_gid;
9. UPDATE avl_calc SET group_stops = i WHERE gid IN (SELECT DISTINCT c2.gid FROM avl_viewcalc c1, avl_viewcalc c2 WHERE (OVERLAPS(c1.the_geom_stop, c2.the_geom_stop) AND (c2.gid <> a_gid) AND (c1.gid = a_gid)) OR ((DISTANCE(c1.the_geom_stop, c2.the_geom_stop) < 0.000449) AND (c2.gid <> a_gid) AND (c1.gid = a_gid))) OR gid = a_gid;
10. i3 = COUNT(the_geom_stop)::INT FROM avl_viewcalc WHERE gid IN (SELECT DISTINCT c2.gid FROM avl_viewcalc c1, avl_viewcalc c2 WHERE (OVERLAPS(c1.the_geom_stop, c2.the_geom_stop) AND (c2.gid <> a_gid) AND (c1.gid = a_gid)) OR ((DISTANCE(c1.the_geom_stop, c2.the_geom_stop) < 0.000449) AND (c2.gid <> a_gid) AND (c1.gid = a_gid))) OR gid = a_gid;
11. IF i3 > 1 THEN 12. LOOP 13. bufferparadas = SETSRID(BUFFER(m_the_geom, (distmetros + (2*0.000144)))::GEOMETRY, 4326); 14. i2 = COUNT(the_geom_stop)::INT FROM avl_viewcalc WHERE gid IN (SELECT DISTINCT c1.gid
FROM avl_viewcalc c1 WHERE (OVERLAPS(c1.the_geom_stop, bufferparadas) AND c1.group_stops ISNULL) OR ((DISTANCE(c1.the_geom_stop, bufferparadas) < 0.000449)) AND c1.group_stops ISNULL);
15. IF i2 <> 0 THEN 16. m_the_geom = CENTROID(GEOMUNION(the_geom_stop)) FROM avl_viewcalc WHERE gid
IN (SELECT DISTINCT c1.gid FROM avl_viewcalc c1 WHERE (OVERLAPS(c1.the_geom_stop, bufferparadas)) OR ((DISTANCE(c1.the_geom_stop, bufferparadas) < 0.000449)));
17. distmetros = MAX(DISTANCE(c.the_geom_stop, m_the_geom))::NUMERIC FROM avl_viewcalc c WHERE gid IN (SELECT DISTINCT c1.gid FROM avl_viewcalc c1 WHERE (OVERLAPS(c1.the_geom_stop, bufferparadas)) OR ((DISTANCE(c1.the_geom_stop, bufferparadas) < 0.000449)));
18. UPDATE avl_calc SET group_stops = i WHERE gid IN (SELECT DISTINCT c1.gid FROM avl_viewcalc c1 WHERE (OVERLAPS(c1.the_geom_stop, bufferparadas)) OR ((DISTANCE(c1.the_geom_stop, bufferparadas) < 0.000449)));
19. v_datahora = MAX(date_time) FROM avl_viewcalc c WHERE c.gid IN (SELECT DISTINCT c1.gid FROM avl_viewcalc c1 WHERE (OVERLAPS(c1.the_geom_stop, bufferparadas)) OR ((DISTANCE(c1.the_geom_stop, bufferparadas) < 0.000449)));
20. ELSE 21. UPDATE avl_calc SET the_geom_stop = bufferparadas WHERE date_time = v_datahora; 22. i = i + 1; 23. EXIT; 24. END IF; 25. END LOOP; 26. ELSE 27. UPDATE avl_calc SET the_geom_stop_cluster = the_geom_stop WHERE gid = a_gid; 28. i = i + 1; 29. END IF;-- 30. EXIT WHEN n = 0; 31. END LOOP;
Figura 24. Algoritmo 6: Agrupamento e identificação de uma região de parada.
Todas as paradas, que satisfazem a análise de proximidade, são consideradas na
geração de um novo centróide, cálculado a partir da localização média dos pontos
médios das paradas que satisfazem a análise de proximidade. Este novo centróide
representa o centro da geometria que
será representada por um
maior distância calculada entre
pela parada mais distante, acrescido de 16 m
círculo desta parada. Desta forma, a nova geometria irá conter todas as
foram encontradas na análise de proximidade
representada esta nova geometria
Portanto, a geometria que representa uma
pertinentes a cada uma das
utilizadas para compor es
como dia da semana, período do dia
fazer inferências como o quão frequente é est
residência, trabalho, local de estudo etc.).
registros na tabela de Padrão de Localização.
4.3 ETAPA III – PREVISÃO DE DESTINOS
Segundo Oliveira (2003)
correspondente a um determinado intervalo de tempo, e as consultas re
um objeto móvel são respondidas com base nas relações espaciais entre as
enta o centro da geometria que exprimi uma região de parada, essa geometria
por um buffer circular com origem neste centróide
maior distância calculada entre este centróide e o centro da geometria
mais distante, acrescido de 16 m, que é a distância referente ao raio d
. Desta forma, a nova geometria irá conter todas as
análise de proximidade, como ilustra a figura 2
nova geometria, denominada de região de paradas
Figura 25. Região de paradas.
Portanto, a geometria que representa uma região de parada,
uma das paradas, realizadas em momentos diferentes
utilizadas para compor esta região. Cada uma destas paradas fornece informações
como dia da semana, período do dia e, a partir destas informações
ias como o quão frequente é esta parada e qual o
residência, trabalho, local de estudo etc.). Além, de diminuir a quantidade de
registros na tabela de Padrão de Localização.
PREVISÃO DE DESTINOS
Segundo Oliveira (2003), um objeto móvel possui, associado
correspondente a um determinado intervalo de tempo, e as consultas re
ão respondidas com base nas relações espaciais entre as
73
parada, essa geometria
centróide e raio igual à
da geometria representada
ia referente ao raio do
. Desta forma, a nova geometria irá conter todas as paradas que
como ilustra a figura 25, na qual é
de paradas.
possui informações
em momentos diferentes, que foram
fornece informações
as informações será possível
o seu significado (ex:
Além, de diminuir a quantidade de
a si, uma trajetória
correspondente a um determinado intervalo de tempo, e as consultas relacionadas a
ão respondidas com base nas relações espaciais entre as
74
geometrias que definem a trajetória e as outras geometrias que compõem o mapa,
por onde os objetos se movimentam.
Estas relações espaciais são doravante denominadas de componente espacial,
temporal e direcional e, fazem parte do processo preditivo da localização do veículo
investigado. Todas as três componentes serão consideradas no cálculo da
probabilidade de um provável destino para o veículo considerado.
O detalhamento a que se referem cada componente será realizado nas seções
seguintes. As seções seguintes descrevem o processo de previsão dos prováveis
destinos e o cálculo de probabilidade considerado neste processo preditivo.
4.3.1 Componente Espacial
Como mencionado anteriormente, a componente espacial irá representar o
relacionamento espacial entre uma região de parada (considerada como a origem),
e as demais regiões, consideradas como possíveis destinos a partir desta região.
Este relacionamento é obtido a partir das informações armazenadas nos Padrões de
Movimentação e Localização.
A utilização das geometrias armazenadas em ambos os padrões permite
estabelecer relacionamentos espaciais entre elas, o que possibilita identificar quais
foram os destinos a partir de uma determinada região de parada (origem). Essa
informação é obtida relacionando-se topologicamente uma região de parada,
considerada como a origem, com as demais regiões armazenadas no Padrão de
Localização, utilizando-se das trajetórias do veículo, que são armazenadas no
Padrão de Movimentação, ou seja, se duas regiões estiverem conectadas por meio
de uma trajetória tem-se o relacionamento espacial Origem-Destino.
A quantidade de trajetórias que se iniciam a partir da região, considerada como
origem, será a frequência que o veículo foi a este possível destino a partir desta
origem, ou seja, o número de saídas para este destino a partir desta origem.
Portanto, a componente espacial indica qual é a origem, quais são os possíveis
75
destinos e quantas vezes que cada região foi destino daquela considerada como
origem. Essa informação de frequência de ocorrências de cada destino é suficiente
para indicar o destino mais provável a partir de uma origem, considerando-se
apenas o relacionamento espacial, ou seja, a componente espacial.
4.3.2 Componente Temporal
A componente temporal nada mais é que uma particularização da componente
espacial, ou seja, ela informará quais são os possíveis destinos a partir de uma
região de parada, considerada como origem, utilizando o mesmo relacionamento
espacial descrito na componente espacial, porém considerando um período de
tempo. Este período de tempo poderá ser expresso em dias da semana, períodos do
dia (ex: manhã, tarde e noite) ou até mesmo da combinação de ambos (ex:
segunda-feira de manhã).
A informação obtida com a componente temporal pode indicar quais são os
possíveis destinos de um veículo num contexto de espaço e tempo. As seções
seguintes (Dias da Semana e Períodos dos Dias) detalham a divisão de tempo
considerada nesta pesquisa para obter a componente temporal.
4.3.2.1 Dias da Semana
Em virtude do rastreamento de veículos ser contínuo ao longo do tempo, todos os
dias da semana foram considerados nessa pesquisa. Assim, a componente temporal
pode informar em quais dias da semana uma região de parada ocorre com mais
frequência. Essa informação é armazenada e pode ser obtida no Padrão de
Localização de um veículo. Para tanto, foram criados atributos boleanos para cada
dia da semana, e quando um padrão é gerado ou atualizado, essas informações
também são geradas ou atualizadas.
Portanto, um Padrão de Localização deve possuir a informação espacial,
representada pela geometria da região de parada e, quais dias da semana ele
76
ocorre. Com base nessas informações, a componente temporal poderá ser gerada,
considerando um determinado período de tempo. Isso implica em mais uma
condição no questionamento realizado pela componente espacial e essa condição
retorna quais são os possíveis destinos a partir de uma origem num determinado
período de tempo, por exemplo, dia da semana.
4.3.2.2 Períodos do Dia
Com intuito de refinar ainda mais a qualidade da informação dos possíveis destinos
a partir de uma origem, os dias da semana foram seccionados em quatro períodos
do dia. Estes quatro períodos foram denominados de madrugada, manhã, tarde e
noite e foram divididos da seguinte maneira:
Madrugada – referente aos dados rastreados entre 00h00min e 05h59min;
Manhã – referente aos dados rastreados entre 06h00min e 11h59min;
Tarde – referente aos dados rastreados entre 12h00min e 17h59min;
Noite – referente aos dados rastreados entre 18h00min e 23h59min.
Da mesma maneira que as informações de ocorrência dos dias da semana são
armazenadas no Padrão de Localização de um veículo, as informações dos
períodos também são armazenadas ou atualizadas. Isso permite que os possíveis
destinos sejam obtidos a partir de um refinamento temporal ainda maior, o que
permite responder questionamentos como: “Quais são os possíveis destinos de um
veículo considerando sua origem, dia da semana e período do dia?”.
4.3.3 Componente Direcional
A componente direcional foi desenvolvida com o intuito de refinar as respostas para
os possíveis destinos quando o estado atual do veículo sob investigação for “em
movimento”. Para tanto, foi desenvolvida uma rotina que obtém a orientação dos
segmentos que compõem uma trajetória realizada pelo veículo e esta informação é
77
armazenada, juntamente com a informação da trajetória, no Padrão de
Movimentação. A rotina responsável por extrair e armazenar essa informação está
representada no último bloco do algoritmo 4, representado na figura 22.
Com base nesta informação direcional dos segmentos das trajetórias realizadas pelo
veículo, pode-se refinar ainda mais a resposta dos possíveis destinos, considerando-
se somente aqueles trajetos do padrão, nos quais os segmentos correspondentes
estejam no mesmo intervalo de orientação dos segmentos que compõem a trajetória
atual do veículo. O intervalo de orientação considerado foi de ± 22.5° em relação ao
valor de orientação do segmento correspondente armazenado no Padrão de
Movimentação, como ilustra a figura 26. Nesta figura é representado o intervalo de
orientação considerado, em relação a segmento armazenado no banco.
Figura 26. Intervalo de orientação dos segmentos de uma trajetória.
Considerando-se que uma trajetória pode ser definida como o caminho percorrido
por um corpo ou partícula em movimento, e que este caminho é composto por
segmentos consecutivos, no qual o ponto terminal de um segmento coincide com o
ponto inicial do segmento sucessor, é possível identificar se a trajetória que o
veículo está executando no presente é parte de alguma trajetória armazenada no
Padrão de Movimentação deste veículo. O que significa identificar que o veículo está
percorrendo um mesmo caminho realizado anteriormente.
Para tanto, é necessário verificar se a orientação de cada segmento que define a
atual trajeória está no mesmo intervalo de orientação do segmento correspondente,
78
armazenado no padrão, além de verificar se pontos inicial e final que definem o
segmento atual também estão dentro da tolerância do erro de posicionamento
considerado (16 m) em relação aos pontos inicial e final do segmento
correspondente, armazenado no padrão. Caso algum segmento, armazenado no
padrão, satisfaça estas condições será avaliado o próximo segmento do trajeto atual
até que todos os segmentos do trajeto atual sejam avaliados ou algum segmento
não satisfaça as condições.
A figura 27 ilustra a identificação de um mesmo caminho considerando duas
trajetórias em instantes diferentes. O resultado desta avaliação será uma lista de
identificadores dos trajetos armazenados no Padrão de Movimentação do veículo,
que será utilizada para obter os possíveis destinos considerando-se sua atual
localização e trajetória.
. Figura 27. Identificação de um mesmo caminho.
79
4.3.4 Processo Preditivo
O processo de previsão da localização de um determinado veículo é composto das
seguintes etapas:
1. Identificação do estado atual do veículo;
2. Geração das Matrizes de Frequências O-D:
a. Caso o veículo esteja parado:
i. Com base na componente espacial;
ii. Com base na componente espacial e a primeira variação da
componente temporal (dia da semana);
iii. Com base na componente espacial e a segunda variação da
componente temporal (dia da semana e período do dia);
b. Caso o veículo esteja em movimento:
i. Com base na componente direcional;
ii. Com base na componente direcional e a primeira variação da
componente temporal (dia da semana);
iii. Com base na componente direcional e a segunda variação da
componente temporal (dia da semana e período do dia);
3. Identificação da Origem no Padrão de Localização;
4. Cálculo das probabilidades;
a. Caso seja conhecida a Origem:
i. Cálculo da Probabilidade da Origem;
ii. Cálculo da Probabilidade Condicional dos prováveis Destinos;
b. Caso não seja conhecida a Origem:
i. Cálculo da probabilidade para todos os prováveis Destinos,
considerando a frequência relativa;
c. Geração da mensagem de retorno para o usuário.
As subseções seguintes têm por objetivo detalhar cada uma das etapas do processo
preditivo.
80
4.3.4.1 Estado Atual do Veículo
O processo de previsão da localização inicia-se a partir da identificação do estado
atual do veículo. Independente do estado atual do veículo, o objetivo é determinar a
última parada executada por ele, ou seja, a origem. O motivo de detectar a origem
do veículo no padrão de localização vem de encontro à possibilidade de calcular a
probabilidade condicional de um provável destino.
Segundo Bussab e Morettin (2006), se P(A) for a probabilidade a priori e a
informação adicional de que B ocorreu permitir o cálculo da probabilidade a
posteriori P(A|B), ou seja, a probabilidade condicional de A dado B. A probabilidade
condicional P(A|B) será maior que P(A) e, portanto, a informação de que B ocorreu
aumenta a chance de A ocorrer. Assim, se P(A) for considerada como a
probabilidade do destino e P(B) a probabilidade da origem, verifica-se a importância
da determinação da origem no padrão.
O algoritmo 7 representado na figura 28 ilustra esse processo de definição do estado
atual do veículo. Este processo é semelhante ao processo anteriormente
apresentado no Algoritmo 1. Porém, neste Algoritmo somente são considerados os
registros de rastreamento mais recentes e a análise é realizada na ordem
cronológica inversa.
81
Algoritmo 7: Definição do Estado do Veículo para a Previsão 1. OPEN cursor1; 2. OPEN cursor2; 3. n = 1; 4. n2 = 1; 5. dgrupo = 0; 6. dgrupo2 = 0; 7. FETCH cursor2 INTO vv_gid, vv_the_geom; 8. FETCH cursor1 INTO a_gid, a_the_geom, a_datahora; 9. LOOP 10. FETCH cursor2 INTO v_gid, v_the_geom, v_datahora; 11. IF NOT FOUND OR dgrupo = 2 THEN 12. EXIT; 13. END IF; 14. IF NOT EQUALS(a_the_geom, v_the_geom) THEN 15. distmetros=ROUND(DISTANCE_SPHEROID(SETSRID((a_the_geom)::GEOMETRY, 4326),
SETSRID((v_the_geom)::GEOMETRY, 4326), 'SPHEROID["WGS 84",6378137,298.257223563]')::NUMERIC, 3);
16. IF distmetros > 16 THEN --Movimentando 17. status = 'MOVIMENTANDO'; 18. n = (n + 1); 19. IF n = 1 THEN 20. datahora1 = a_datahora; 21. ELSIF n >= 4 THEN 22. n2 = 0; 23. IF n = 4 THEN 24. dgrupo = (dgrupo + 1); 25. UPDATE avl_auxprediction SET point_movi = dgrupo WHERE date_time <= datahora1 AND
date_time >= v_datahora AND group_mov ISNULL; 26. datahora1 = v_datahora; 27. ELSE 28. UPDATE avl_auxprediction SET point_movi = dgrupo WHERE date_time >= v_datahora AND
group_mov ISNULL AND dist_metros > 16; 29. datahora1 = v_datahora; 30. END IF; 31. END IF; 32. ELSE -- Parado 33. status = 'PARADO'; 34. n2 = (n2 + 1); 35. IF n2 >= 4 THEN 36. n = 0; 37. END IF; 38. END IF; 39. UPDATE avl_auxprediction SET dist_meters = distmetros WHERE date_time = v_datahora; 40. ELSE --Parado geometrias iguais 41. status = 'PARADO'; 42. n2 = (n2 + 1); 43. IF n2 >= 4 THEN 44. n = 0; 45. END IF; 46. UPDATE avl_auxprediction SET dist_meters = 0 WHERE date_time = v_datahora; 47. END IF; 48. a_the_geom = v_the_geom; 49. a_datahora = v_datahora; 50. END LOOP; 51. CLOSE cursor2; 52. CLOSE cursor1;
Figura 28. Algoritmo 7: Definição do Estado do Veículo para a Previsão.
Observe que na linha 11 do Algoritmo 7 a condição de saída do Loop é que o grupo
referente a identificação de trajetos seja igual a 2 ou que todos os registros tenham
sido avaliados. Isso porque o processo de geração de padrões finaliza em registros
referentes a uma parada. Portanto, se os últimos registros avaliados na geração do
82
padrão estiveram em movimento, os registros mais recentes terminarão num
conjunto de dados referentes ao início de um trajeto (considerando a ordem
cronológica inversa).
Assim, o limite máximo para identificação de uma parada passa a ser o segundo
trajeto encontrado na ordem cronológica inversa. Isso garante que entre estes dois
trajetos ocorreu uma parada, que é a origem. É a partir da nuvem de pontos de
rastreamento que definem a última parada que será possível determinar a origem do
veículo, e verificar se ela existe no Padrão de Localização do mesmo. A figura 29
ilustra o algoritmo utilizado para identificar a origem no Padrão de Localização.
83
Algoritmo 8: Identificação da Origem no Padrão de Localização 1. a_datahora = MAX(date_time) FROM avl_auxprediction WHERE dist_meters NOTNULL; 2. estado_atual_veic = point_movi FROM avl_auxprediction WHERE date_time = a_datahora; 3. IF estado_atual_veic ISNULL THEN 4. status = 'PARADO'; 5. datahora1 = MAX(date_time) FROM avl_auxprediction WHERE point_movi = 1; 6. n = COUNT(gid)::INT FROM avl_auxprediction WHERE date_time > datahora1; 7. IF n > 4 THEN 8. geom_origem = CENTROID(GEOMUNION(the_geom)) FROM avl_auxprediction WHERE date_time > datahora1
AND dist_meters < 16; 9. v_datahora = MAX(date_time) FROM avl_auxprediction; 10. dia_sem = dia FROM avl_auxprediction WHERE date_time = v_datahora; 11. dia_sem_ult_mov = EXTRACT(dow FROM MAX(date_time))::INT FROM avl_auxprediction WHERE date_time =
v_datahora; 12. per_dia = DISTINCT period_of_day FROM avl_auxprediction WHERE date_time = v_datahora; 13. per_dia_ult_mov = (EXTRACT(HOUR FROM MAX(date_time))::INT FROM avl_auxprediction WHERE date_time =
v_datahora; 14. ELSE 15. geom_origem = the_geom FROM avl_auxprediction WHERE date_time = datahora1; 16. dia_sem = day_of_week FROM avl_auxprediction WHERE date_time = datahora1; 17. dia_sem_ult_mov = EXTRACT(dow FROM MAX(date_time))::INT FROM avl_auxprediction WHERE date_time =
datahora1; 18. per_dia = DISTINCT period_of_day FROM avl_auxprediction WHERE date_time = datahora1; 19. per_dia_ult_mov = (EXTRACT(HOUR FROM MAX(date_time)))::INT FROM avl_auxprediction WHERE date_time =
datahora1; 20. END IF; 21. ELSE 22. status = 'MOVIMENTANDO'; 23. datahora1 = MIN(date_time) FROM avl_auxprediction WHERE point_movi = 1; 24. datahora2 = MAX(date_time) FROM avl_auxprediction WHERE point_movi = 2; 25. geom_origem = CENTROID(GEOMUNION(the_geom)) FROM avl_auxprediction WHERE date_time < datahora1 AND
date_time > datahora2 AND dist_meters < 16; 26. v_datahora = MAX(date_time) FROM avl_auxprediction WHERE date_time < datahora1 AND date_time > datahora2
AND dist_meters < 16; 27. dia_sem = day_of_week FROM avl_auxprediction WHERE date_time = v_datahora; 28. dia_sem_ult_mov = EXTRACT(dow FROM MAX(date_time))::INT FROM avl_auxprediction WHERE date_time =
v_datahora; 29. per_dia = DISTINCT period_of_day FROM avl_auxprediction WHERE date_time = v_datahora; 30. per_dia_ult_mov = (EXTRACT(HOUR FROM MAX(date_time)))::INT FROM avl_auxprediction WHERE date_time =
datahora1; -- Agora precisa obter o primeiro ponto em movimento do atual trajeto do veículo 31. geom_movim = the_geom FROM avl_auxprediction WHERE date_time = datahora1; 32. END IF; -- Agora precisa obter a Origem no Padrão de Localização 33. origem_padrao_paradas = DISTINCT c2.the_geom FROM avl_patterns_loc c2 WHERE WITHIN(geom_origem,
c2.the_geom) AND c2.vehicle_id = i; 34. IF origem_padrao_paradas ISNULL THEN 35. origem_padrao_paradas = DISTINCT c2.the_geom FROM avl_patterns_loc c2 WHERE
INTERSECTS(SETSRID(BUFFER(geom_origem,0.000144)::GEOMETRY, 4326), c2.the_geom) AND c2.vehicle_id = i;
36. IF origem_padrao_paradas ISNULL THEN 37. origem_padrao_paradas = DISTINCT c2.the_geom FROM avl_patterns_loc c2 WHERE
(DISTANCE(SETSRID(BUFFER(geom_origem,0.000144)::GEOMETRY, 4326), c2.the_geom) < 0.000449) AND c2.vehicle_id = i;
38. END IF; 39. END IF;
Figura 29. Algoritmo 8: Identificação da Origem no Padrão de Localização.
4.3.5 Aspectos Estatísticos
O cálculo da probabilidade de cada possível destino do veículo poderá ser realizado
de duas maneiras:
84
1. A primeira, como mencionado na seção anterior, por meio da probabilidade
condicional, desde que a origem tenha sido encontrada no Padrão de
Localização do veículo;
2. A segunda, na qual a origem não foi detectada no Padrão de Localização,
será informado o destino mais provável a partir da frequência relativa obtida
pelo número de visitas a cada possível destino.
Assim, para calcular a probabilidade dos prováveis destinos são geradas três
matrizes. As linhas de cada matriz representarão as possíveis origens e as colunas
os possíveis destinos a partir de cada origem. A geração destas matrizes considera
o estado atual do veículo:
a primeira matriz representa o relacionamento espacial/direcional entre as
regiões de parada consideradas como origem e as regiões consideradas
como destino.
o Caso o veículo esteja parado, todas as regiões de parada do veículo
armazenadas no seu padrão de localização serão simuladas como
possíveis origens, desde que possuam trajetos que iniciam a partir
dela. É importante ressaltar que pode existir uma região de parada no
padrão que somente pode ser considerada como destino, isto porque,
o processo de geração de padrão finaliza sempre em uma parada e,
portanto, esta parada pode ainda não ter sido uma origem.
o Caso o veículo esteja em movimento, o relacionamento entre as
regiões de parada é exposto por meio das trajetórias armazenadas no
Padrão de Movimentação do veículo, desde que estas trajetórias sejam
iguais a atual trajetória do veículo. Dessa forma, cada trajetória definirá
uma possível origem e destino, caso o destino ainda não exista na
matriz, caso exista o destino na matriz, a célula na matriz que for
correspondente a origem e destino recebe a contagem de visita a partir
desta origem;
a segunda matriz será uma especificação temporal da matriz anterior, ou seja,
será constituída das regiões de parada que possuem trajetos que iniciam-se
85
no mesmo dia da semana do dia atual do veículo, ou seja, as possíveis
origens e destinos para aquele dia da semana.
Por fim, a terceira será uma especificação temporal da segunda matriz
considerando-se o período do dia correspondente ao atual período do dia do
veículo.
A partir deste relacionamento espacial existente entre os Padrões de Localização e
Movimentação pode-se atribuir valores as células da matriz. Este valor é obtido
considerando-se o número de visitas a um destino a partir de uma origem. Portanto,
cada célula representa o número de visitas que um determinado destino (coluna da
matriz) recebeu em relação à origem (linha correspondente na matriz), o somatório
de cada linha ou coluna reflete qual origem e destino são mais frequentados pelo
veículo, respectivamente. São exemplos dessas matrizes as tabelas 7, 8 e 9.
86
Tabela 7 – Frequência de visitas a um Destino a partir de uma Origem (espacial/direcional).
Destinos Origens D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 TOTAL
O1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 O2 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O3 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O4 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O5 0 0 0 8 1 0 0 0 0 0 0 0 0 0 0 0 0 0 9 O6 11 3 4 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 23 O7 2 0 2 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 5 O8 0 0 1 14 0 0 0 0 0 0 0 1 1 1 1 1 0 0 20 O9 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O10 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O11 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O12 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 O13 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 2 O14 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 O15 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 O16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 O17 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2 O18 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
TOTAL 19 5 9 24 1 1 1 1 2 1 1 1 1 2 2 1 1 1 74
87
Tabela 8 – Frequência de visitas a um Destino a partir de uma Origem (espacial/direcional e
temporal dia da semana).
Destinos Origens D1 D2 D3 TOTAL
O1 1 0 0 1 O2 0 4 1 5 O3 5 0 0 5
TOTAL 6 4 1 11
Tabela 9 – Frequência de visitas a um Destino a partir de uma Origem (espacial/direcional
temporal dia da semana e período do dia).
Destinos Origens D1 TOTAL
O1 1 1 TOTAL 1 1
As tabelas 7, 8 e 9 evidenciam a importância que a filtragem temporal possui na
afirmação dos possíveis destinos. É importante ressaltar que essa filtragem pode
eliminar da matriz de frequência a origem detectada, o que não é interessante, pois
a evidência da origem na amostra considerada possibilita o cálculo da probabilidade
condicional.
As figuras 30(a) e 30(b) ilustram as três maneiras de se obter a frequência relativa
que será utilizada no cálculo da probabilidade de um destino quando o veículo está
parado, considerando-se as três componentes (espacial, temporal/dia e
temporal/dia/período do dia) que definem as matrizes. Além de ilustrar uma ideia da
variação de frequência que os destinos podem assumir dependendo do valor
considerado na componente temporal.
Já as figuras 30(c) e 30(d) representam as três maneiras de se obter a frequência
relativa quando o veículo está em movimento. Nelas são exibidas as quatro
componentes (espacial, direcional, temporal/dia e temporal/dia/período do dia) com
intuito de enfatizar que a filtragem no número de visitas que um destino sofre é
maior quando considerada a componente direcional ao invés da componente
espacial.
88
Nas figuras 30(a), 30(b), 30(c) e 30(d), as cores dos retângulos representam a
diferenciação entre os locais de parada, enquanto que cada retângulo representa
uma visita. Assim, a quantidade de retângulos de uma mesma cor representa o
número de visitas a uma parada, a variável N representa o número total de visitas
para cada componente, enquanto que P representa a probabilidade para cada
parada. Portanto, quando se considera somente a componente espacial, a pergunta
é: “Quais são os possíveis Destinos do veículo ‘V’ considerando-se a Origem ‘O’?”.
Figura 30(a). Categorização dos Possíveis Destinos para o Cálculo de Probabilidade – Veículo
Parado.
Figura 30(b). Categorização dos Possíveis Destinos para o Cálculo de Probabilidade – Veículo
Parado.
CÁLCULO DA FREQUENCIA RELATIVA DO DESTINO CONSIDERANDO:
N = 9 N = 2
ESPACIAL ESPACIAL e 1° DIA ESPACIAL, 1° DIA e 2° PERIODO
N = 12
P1 = 1/2
P2 = 1/2
P1 = 5/9
P2 = 1/9
P3 = 2/9
P4 = 1/9
P1 = 5/12
P2 = 3/12
P3 = 2/12
P4 = 1/12
P5 = 1/12
CÁLCULO DA FREQUENCIA RELATIVA DO DESTINO CONSIDERANDO:
N = 12
P1 = 5/12
P2 = 3/12
P3 = 2/12
P4 = 1/12
P5 = 1/12
ESPACIAL
N = 9
ESPACIAL e 1° DIA
P1 = 4/5
P2 = 1/5
ESPACIAL, 1° DIA e 1° PERIODO
P1 = 5/9
P2 = 1/9
P3 = 2/9
P4 = 1/9
N = 5
89
Figura 30(c). Categorização dos Possíveis Destinos para o Cálculo de Probabilidade – Veículo em Movimento.
Figura 30(d). Categorização dos Possíveis Destinos para o Cálculo de Probabilidade – Veículo em Movimento.
CÁLCULO DA FREQUENCIA RELATIVA DO DESTINO CONSIDERANDO:
ESPACIAL e DIRECIONAL
N = 7 N = 5
P1 = 4/5
P2 = 1/5
ESPACIAL e DIRECIONAL, 1° DIA
N = 2
P1 = 2/2
ESPACIAL e DIRECIONAL, 1° DIA e 1° PERIODO ESPACIAL
N = 12
P1 = 5/12
P2 = 3/12
P3 = 2/12
P4 = 1/12
P5 = 1/12
P1 = 5/7
P3 = 2/7
ESPACIAL e DIRECIONAL
N = 7
ESPACIAL
N = 12
CÁLCULO DA FREQUENCIA RELATIVA DO DESTINO CONSIDERANDO:
N = 4
P1 = 4/4
N = nulo
ESPACIAL e DIRECIONAL, 1° DIA e 1° PERIODO
P1 = 5/7
P3 = 2/7
P1 = 5/12
P2 = 3/12
P3 = 2/12
P4 = 1/12
P5 = 1/12
ESPACIAL e DIRECIONAL, 1° DIA
90
As componentes relacionadas à temporalidade utilizam como critério de definição
para os possíveis destinos as componentes, espacial e temporal, o que caracteriza
uma análise espaço-temporal. Para especificar essa componente temporal
considera-se a data referente ao início do trajeto realizado entre a origem e o
destino.
A informação temporal diminui o número de destinos possíveis, pois elimina casos
nos quais o veículo se deslocou da origem para o destino em dias da semana ou
períodos diferentes do em questão. Nesta etapa, as perguntas são: “Quais são os possíveis Destinos do veículo ‘V’ considerando-se a Origem ‘O’ no dia da semana ‘D’?” ou “Quais são os possíveis Destinos do veículo ‘V’ considerando-se a Origem ‘O’ no dia da semana ‘D’ e o período ‘P’ do dia?”.
Por fim, a componente direcional somente será considerada quando o veículo
estiver em movimento, ela considera quais são os trajetos armazenados no padrão
de movimentação que correspondem ao atual trajeto do veículo. Por meio do
relacionamento espacial que estes trajetos possuem com as regiões de parada é
determinada quais são as possíveis origens e destinos.
Portanto, quando se utiliza a componente direcional a pergunta passa a ser: “Qual é a Origem e o Destino do veículo ‘V’ considerando-se que ele trafega pelo caminho ‘C’?”. Além das suas variações temporais: “Qual é a Origem e o Destino do veículo ‘V’ considerando-se que ele trafega pelo caminho ‘C’ no dia da semana ‘D’?” ou “Qual é a Origem e o Destino do veículo ‘V’ considerando-se que ele trafega pelo caminho ‘C’ no dia da semana ‘D’ e o período ‘P’ do dia?”.
4.3.5.1 Probabilidade Condicional
De acordo com Bussab e Morettin (2006), pode-se obter a Probabilidade Condicional
de um determinado evento A ocorrer, desde que tenha ocorrido outro evento B e que
a probabilidade do evento B seja maior que zero. Portanto, conhecendo-se a origem
pode-se calcular a probabilidade da origem e, consequentemente calcular a
91
Probabilidade Condicional dos possíveis destinos a partir desta origem, esta
probabilidade será denotada por P(Dn|Oi) e calculada pela equação 1.
P(D |O ) = ( ∩ )( )
(1)
O cálculo da probabilidade que uma determinada região de parada, considerada
como origem, é realizado a partir do somátório do número de visitas das regiões
consideradas como destinos a partir dessa região, dividido pelo somátorio do
número de visitas de todas as regiões consideradas como destino. Portanto, a
região de parada que possuir a os destinos mais frequentados será aquela que
apresentará a maior frequência relativa e, consequentemente, a maior probabilidade
de ser considerada como Origem.
A equação 2 é utilizada para obter o valor de probabilidade P(On) de uma região de
parada ser considerada como origem, onde (a ) representa o número de visitas ao
um destino a partir dessa região considerada como origem e ∑ ∑ 푎 representa
o somatório de todos os valores de frequência de visita obtidos para cada possível
destino da matriz.
P(O ) =∑
∑ ∑ (2)
Análogamente, o cálculo executado para obter a probabilidade do destino utiliza o
mesmo conceito e pode ser obtido pela equação 3.
P(D ) =∑
∑ ∑ (3)
A Probabilidade Condicional de um possível destino pode ser calculada consultando-
se os valores armazenados na matriz de frequências das visitas aos destinos, desde
que a origem esteja presente na matriz de frequências. Por exemplo, considerando-
92
se a matriz da Tabela 8, e que a origem do veículo foi O2 notam-se dois possíveis
destinos: D2 e D3. Assim o cálculo da probabilidade condicional de D2 seria:
P(D |O ) =
a∑ ∑ a∑ a
∑ ∑ a
= a
∑ a=
45
= 0.8
Análogamente, a probabilidade condicional de D3 seria:
P(D |O ) =
a∑ ∑ a∑ a
∑ ∑ a
= a
∑ a=
15
= 0.2
Após o cálculo das probabilidades são geradas as mensagens ao usuário
informando a localização atual do veículo (município e bairro) e os prováveis
destinos, detalhando o valor de probabilidade calculado para o destino e sua
identificação (município e bairro). Por exemplo: “O veículo V está parado no bairro B1 do município M1 e tem 0.5 de probabilidade de ir para o bairro B2 do município M1, 0.25 de probabilidade de ir para o bairro B3 do município M1, 0.25 de probabilidade de ir para o bairro B4 do município M1” ou “O veículo V saiu do bairro B1 do município M1 e tem 0.5 de probabilidade de estar indo para o bairro B2 do município M1, 0.25 de probabilidade de estar indo para o bairro B3 do município M2, 0.25 de probabilidade de estar indo para o bairro B1 do município M3”.
O objetivo no cálculo da probabilidade é fornecer ao usuário o valor de probabilidade
que possua o maior grau de refinamento, ou seja, considerando a relação O-D
espacial/direcional, o dia da semana e o período do dia, caso esse filtro não retorne
nenhum provável destino, o questionamento dos prováveis destinos irá considerar
um nível inferior de refinamento até que somente reste a relação O-D
espacial/direcional.
93
Caso não seja possível obter nenhum provável destino, significará que o veículo não
possui padrão suficiente para análise de previsão e uma mensagem de alerta
indicará que o veículo possui um comportamento atípico. Para uma avaliação dos
resultados obtidos, todos os valores de probabilidade encontrados em todos os
níveis de refinamento foram exibidos nas mensagens de previsão.
É importante ressaltar que, como são utilizados os três níveis de refinamento para o
cálculo das probabilidades dos destinos, para se obter a Probabilidade Condicional
de um determinado destino, utiliza-se a probabilidade obtida para a região de parada
considerada como origem no mesmo nível de refinamento. Por exemplo, se for
utilizada a probabilidade do destino considerando o nível de refinamento espaço-
temporal (período do dia), utiliza-se a probabilidade de origem correspondente a
esse nível de refinamento, ou seja, espaço-temporal (período do dia). A figura 31
ilustra o algoritmo responsável pelo cálculo da probabilidade condicional e a figura
32 está representando o algoritmo responsável pelo cálculo do destino mais
provável quando a origem é desconhecida.
94
Algoritmo 9: Cálculo da Probabilidade Condicional de um Destino.
1. -- Calcular a Probabilidade Condicional ESPACIAL 2. gid_origem = gid FROM avl_padroes_paradas WHERE the_geom = origem_padrao_paradas AND cod_veic = i; 3. ntotal = SUM(total)::INT FROM avl_distrib_part_cheg_espac; 4. norigem = total FROM avl_distrib_part_cheg_espac WHERE origem = gid_origem; 5. prob_origem = norigem::NUMERIC/ntotal::NUMERIC; 6. IF prob_origem <> 0 AND ntotal <> 0 THEN 7. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac' AND NOT a.attisdropped LOOP
8. n4 = pegavalorcoluna(column_name::TEXT, 'avl_distrib_part_cheg_espac', gid_origem);
9. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 10. prob_inter = n4::NUMERIC/ntotal::NUMERIC; 11. prob_cond = TRUNC(ROUND((prob_inter/prob_origem), 2)*100, 0); 12. END IF; 13. END LOOP; 14. END IF; 15. -- Calcular a Probabilidade Condicional TEMPORAL DIA 16. gid_origem = gid FROM avl_padroes_paradas WHERE the_geom = origem_padrao_paradas AND cod_veic = i; 17. ntotal = SUM(total)::INT FROM avl_distrib_part_cheg_espac_dia; 18. norigem = total FROM avl_distrib_part_cheg_espac_dia WHERE origem = gid_origem; 19. prob_origem = norigem::NUMERIC/ntotal::NUMERIC; 20. IF prob_origem <> 0 AND ntotal <> 0 THEN 21. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_dia' AND NOT a.attisdropped LOOP
22. n4 = pegavalorcoluna(column_name::TEXT, 'avl_distrib_part_cheg_espac_dia', gid_origem);
23. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 24. prob_inter = n4::NUMERIC/ntotal::NUMERIC; 25. prob_cond = TRUNC(ROUND((prob_inter/prob_origem), 2)*100, 0); 26. END IF; 27. END LOOP; 28. END IF; 29. -- Calcular a Probabilidade Condicional TEMPORAL PERIODO DO DIA 30. gid_origem = gid FROM avl_padroes_paradas WHERE the_geom = origem_padrao_paradas AND cod_veic = i; 31. ntotal = SUM(total)::INT FROM avl_distrib_part_cheg_espac_per_dia; 32. norigem = total FROM avl_distrib_part_cheg_espac_per_dia WHERE origem = gid_origem; 33. prob_origem = norigem::NUMERIC/ntotal::NUMERIC; 34. IF prob_origem <> 0 AND ntotal <> 0 THEN 35. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_per_dia' AND NOT a.attisdropped LOOP
36. n4 = pegavalorcoluna(column_name::TEXT, 'avl_distrib_part_cheg_espac_per_dia', gid_origem); 37. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 38. prob_inter = n4::NUMERIC/ntotal::NUMERIC; 39. prob_cond = TRUNC(ROUND((prob_inter/prob_origem), 2)*100, 0); 40. END IF; 41. END LOOP; 42. END IF;
Figura 31. Algoritmo 9: Cálculo da Probabilidade Condicional.
95
Algoritmo 10: Cálculo da Probabilidade de um Destino. 1. -- Calcular a Probabilidade ESPACIAL 2. ntotal = 0; 3. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac' AND NOT a.attisdropped LOOP
4. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac'); 5. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 6. ntotal = ntotal + n4; 7. END IF; 8. END LOOP; 9. IF ntotal > 0 THEN 10. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac' AND NOT a.attisdropped LOOP
11. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac'); 12. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 13. prob_freq = TRUNC(ROUND((n4::NUMERIC/ntotal::NUMERIC), 2)*100, 0); 14. END IF; 15. END LOOP; 16. END IF; 17. -- Calcular a Probabilidade TEMPORAL DIA 18. n = COUNT(origem)::INT FROM avl_distrib_part_cheg_espac_dia; 19. IF n > 0 THEN 20. ntotal = 0; 21. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_dia' AND NOT a.attisdropped LOOP --LISTA OS NOMES DE COLUNA DA TABELA
22. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac_dia'); 23. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 24. ntotal = ntotal + n4; 25. END IF; 26. END LOOP; 27. IF ntotal > 0 THEN 28. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_dia' AND NOT a.attisdropped LOOP
29. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac_dia'); 30. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 31. prob_freq = TRUNC(ROUND((n4::NUMERIC/ntotal::NUMERIC), 2)*100, 0); 32. END IF; 33. END LOOP; 34. END IF; 35. END IF; 36. -- Calcular a Probabilidade TEMPORAL PERIODO DIA 37. n = COUNT(origem)::INT FROM avl_distrib_part_cheg_espac_per_dia; 38. IF n > 0 THEN 39. ntotal = 0; 40. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_per_dia' AND NOT a.attisdropped LOOP
41. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac_per_dia'); 42. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 43. ntotal = ntotal + n4; 44. END IF; 45. END LOOP; 46. IF ntotal > 0 THEN 47. FOR column_name IN SELECT a.attname FROM pg_catalog.pg_attribute a INNER JOIN
pg_stat_user_tables c ON a.attrelid = c.relid WHERE a.attnum > 0 AND c.relname = 'avl_distrib_part_cheg_espac_per_dia' AND NOT a.attisdropped LOOP
48. n4 = SOMADESTINO(column_name::TEXT, 'avl_distrib_part_cheg_espac_per_dia'); 49. IF column_name <> 'origem' AND column_name <> 'total' AND n4 > 0 THEN 50. prob_freq = TRUNC(ROUND((n4::NUMERIC/ntotal::NUMERIC), 2)*100, 0); 51. END IF; 52. END LOOP; 53. END IF; 54. END IF;
Figura 32. Algoritmo 10: Cálculo da Probabilidade do Destino quando a Origem não for encontrada no
Padrão de Localização.
96
4.4 CONSIDERAÇÕES FINAIS
O objetivo principal deste capítulo foi descrever a metodologia utilizada para
previsão de movimentações dos veículos. Esta metodologia inclui desde a
preparação dos dados, passando pelos processos de geração de padrão e previsão,
até o detalhamento das rotinas expressas na forma dos algoritmos desenvolvidos,
empregadas para extrair resultados.
Espera-se que o capítulo possibilite uma visão detalhada e esquemática das rotinas
empregadas e como foi proposta a solução para previsão da movimentação de um
veículo, considerando-se apenas as informações de localização e instante de tempo
do rastreamento. No capítulo seguinte são apresentados os resultados dos
experimentos realizados considerando-se esta metodologia.
97
5 EXPERIMENTAÇÃO
Com o intuito de validar os métodos utilizados nesta pesquisa para a previsão da
localização de um determinado veículo, considerando-se o processo de geração de
Padrões de Localização e Movimentação, foram realizados experimentos que
utilizaram uma amostra de dados reais de rastreamento. Os resultados desses
experimentos são apresentados nas seções seguintes.
5.1 CONSIDERAÇÕES INICIAIS
Nos experimentos realizados, utilizou-se uma amostra com dados reais referente ao
rastreamento de treze veículos. A figura 33 ilustra a distribuição dos pontos de
rastreamento de um desses veículos sobreposto à base cartográfica. O objetivo
principal dessa figura é mostrar que a distribuição espacial dos pontos sobre a base
cartográfica demonstra certos padrões visuais como: corredores ou caminhos e
aglomerações de pontos, que claramente representam trajetos comumente
percorridos e locais frequentemente visitados.
Figura 33. Pontos de rastreamento GPS para um veículo, sobrepostos à base cartográfica.
Legenda:
Limite Municipal
Bairros
Pontos GPS do Veículo
98
A figura 34 ilustra a representação dos trajetos realizados por um veículo (Padrões
de Movimentação) sobrepostos à Base Cartográfica. Observa-se que na maioria dos
casos a linha que define um trajeto realizado não coincide com os limites de
quadras. Isso ocorre não somente pela acurácia da informação posicional, mas
principalmente devido à taxa de coleta das posições do veículo, da velocidade
desenvolvida no trecho de via e principalmente, pela pouca frequência com que o
trajeto ocorre.
Figura 34. Trajetórias de um veículo sobrepostas à base cartográfica.
5.2 EXECUÇÃO DAS FUNÇÕES DESENVOLVIDAS
Como mencionado anteriormente, foram desenvolvidas duas funções: a primeira
responsável pela geração dos Padrões de Movimentação e Localização dos
Legenda:
Quadras
Trajetos do Veículo
Pontos GPS do Veículo
99
veículos, e a segunda responsável pela previsão da localização de um determinado
veículo.
O propósito é que a função responsável pela geração dos padrões seja executada
periodicamente para manter as informações do padrão atualizadas. Portanto, o
primeiro passo do experimento foi executar a função responsável pela geração de
padrões, denominada avl_patterns(). Para tanto, utilizou-se a interface do SGBD
(pgAdim III) para executar o seguinte comando em SQL: SELECT avl_patterns();.
A função responsável pela geração dos padrões obteve, para os treze veículos,
cerca de trezentos registros de padrões de Localização e cerca de dez mil registros
de Padrões de Movimentação. Uma vez gerados os padrões para os treze veículos,
qualquer um deles poderá ser questionado quanto à sua localização futura a partir
dos seus dados de rastreamento atuais.
A previsão de localização de um veículo é feita utilizando-se da segunda função
desenvolvida e denominada avl_prediction(). A execução dessa função consiste no
seguinte comando SQL: SELECT avl_prediction(VEHICLE_ID);. na qual a variável
VEHICLE_ID representa o identificador do veículo no banco de dados. Este
procedimento foi realizado para cada um dos treze veículos da amostra e os
resultados obtidos são discutidos na seção seguinte.
5.3 RESULTADOS OBTIDOS
Após executar a função de previsão para cada veículo chegou-se aos seguintes
resultados expressos nas tabelas 10 e 11. Por questões de privacidade os
identificadores dos veículos foram alterados para números sequenciais, bem como
os resultados dos nomes obtidos para os prováveis destinos foram ocultados, pois, a
utilização dos nomes reais dos bairros e munícipios poderiam facilitar na
identificação do proprietário do veículo.
100
Os significados das siglas utilizadas para representar as componentes nas tabelas
10 e 11são:
E – Espacial;
ETD – Espacial e Temporal para Dia da semana;
ETPD – Espacial e Temporal para Período do Dia;
ED – Espacial e Direcional;
EDTD – Espacial – Direcional e Temporal para Dia da semana;
EDTPD - Espacial – Direcional e Temporal para Período do Dia.
A tabela 10 apresenta os valores de probabilidade condicional obtidos para cada
provável destino de cada um dos sete veículos, nos quais foi possível determinar a
origem no seu padrão de localização. Na tabela 11 são apresentadas as
probabilidades dos prováveis destinos para os veículos, nos quais não foi possível
determinar a origem.
Tabela 10 – Probabilidade Condicional dos destinos para cada veículo.
VEHICLE_ID DESTINOS
Probabilidade Condicional (%)
PARADO EM MOVIMENTO
E ETD ETPD ED EDTD EDTPD
1 DESTINO 1, 3, 4 e 6 6 - - - - - DESTINO 2 65 100 - 100 - - DESTINO 5 12 - - - - -
2 DESTINO 1 100 - - - - -
3 DESTINO 1 33 100 - - - - DESTINO 2, 3, 4, 5, 6, e 7 11 - - - - -
4 DESTINO 1 e 3 25 - - - - - DESTINO 2 50 - - - - -
9 DESTINO 1 56 33 - - - - DESTINO 2, 4 e 5 6 - - - - - DESTINO 3 28 67 - - - -
11 DESTINO 1 48 80 100 - - - DESTINO 2 13 - - - - - DESTINO 3 17 20 - - - - DESTINO 4, 5, 6, 7 e 8 4 - - - - -
12 DESTINO 1, 3 e 6 5 - - - - - DESTINO 2 e 7 9 - - - - - DESTINO 4 55 100 100 DESTINO 5 14 - - - - -
101
Tabela 11 – Probabilidade (Frequência Relativa) dos destinos para cada veículo.
VEHICLE_ID DESTINOS
Probabilidade (%)
PARADO EM MOVIMENTO
E ETD ETPD ED EDTD EDTPD
5 DESTINO 1 - 9 11 - - - - -
6 DESTINO 1 28 38 20 - - -
DESTINO 2, 3, 5, 8, 9, 11 - 13, 16 - 18
3 - - - - -
DESTINO 4 9 13 20 - - -
DESTINO 6 9 25 20 - - -
DESTINO 7 3 13 20 - - -
DESTINO 10, 15 6 - - - - -
DESTINO 14 3 13 20 - - -
7 DESTINO 1, 5 - 7, 9 - 12 e 15 3 - - - - -
DESTINO 2 37 33 67 - - -
DESTINO 3 17 17 - - - -
DESTINO 4 6 - - - - -
DESTINO 8 3 17 - - - -
DESTINO 13 6 17 - - - -
DESTINO 14 6 17 33 - - -
8 DESTINO 1 12 17 7 - - -
DESTINO 2, 23 e 25 2 - - - - -
DESTINO 3 4 6 - - - -
DESTINO 4, 11 e 18 4 - - - - -
DESTINO 5 11 28 36 - - -
DESTINO 6 24 22 21 - - -
DESTINO 7, 8, 10, 12, 13, 15, 16, 20 - 22, 24, 26 - 36
1 - - - - -
DESTINO 9 e 19 4 6 7 - - -
DESTINO 14, 17 e 35 1 6 7 - - -
10 DESTINO 1, 3, 6 - 11, 15 - 18, 20 - 22, 25, 26, 28, 30 - 35, 37 - 54, 56
- 62
1 - - - - -
DESTINO 2 22 29 38 - - -
DESTINO 4 7 4 - - - -
DESTINO 5 16 17 - - - -
DESTINO 12 2 - - - - -
DESTINO 13 2 8 - - - -
DESTINO 14 9 4 13 - - -
DESTINO 19 2 4 - - - -
DESTINO 23 3 8 25 - - -
DESTINO 24 e 36 1 4 - - - -
DESTINO 27 4 4 - - - -
DESTINO 29 1 8 13 - - -
DESTINO 55 1 4 13 - - -
13 DESTINO 1 e 3 17 - - - - -
DESTINO 2, 4 - 6 e 8 8 - - - - -
DESTINO 7 25 - - - - -
A figura 35 ilustra a distribuição dos prováveis d
representado na tabela 10
uma Probabilidade Condicional
círculo verde, também é considera como um provável
caso deste veículo existe a poss
Figura 35. Representação dos p
Na figura 36 podem-se
prováveis destinos do veículo 1, nela são representados os trajetos executados p
esse veículo entre a origem
destinos possiveis a partir dessa origem.
a a distribuição dos prováveis destinos para o
representado na tabela 10. Para cada destino ilustrado em círculos
uma Probabilidade Condicional associada e, neste caso a origem, ilustrada pelo
também é considera como um provável destino, o que
existe a possibilidade dele sair e retornar para o mesmo local
5. Representação dos prováveis destinos do veículo 1 da tabela 10
se observar os trajetos executados entre a
do veículo 1, nela são representados os trajetos executados p
veículo entre a origem, determinada na função de previsão de localização
destinos possiveis a partir dessa origem.
Legenda:
Destinos Prováveis
Origem
102
estinos para o veículo 1,
ilustrado em círculos vermelhos existe
rigem, ilustrada pelo
estino, o que significa que no
para o mesmo local.
da tabela 10.
os trajetos executados entre a origem e os
do veículo 1, nela são representados os trajetos executados por
determinada na função de previsão de localização, e os
Destinos Prováveis
103
Figura 36. Representação dos trajetos entre a origem e prováveis destinos do veículo 1.
Com base nos resultados exibidos na Tabela 11, na qual em seis dos 13 veículos
avaliados não foi possível determinar a origem no padrão de localização,
considerando-se sua atual localização. Uma nova indagação surgiu: “A variabilidade de ocorrência das regiões de parada é maior, no caso destes seis veículos, do que no grupo de veículos onde foi possível determinar a Origem?”.
Com base nesta indagação uma análise sobre a amostra de dados de rastreamento
dos 13 veículos foi realizada. Essa análise teve por objetivo identificar a existência
de algum relacionamento entre o número de paradas detectadas e a não definição
Legenda:
Trajeto Origem – Destino 1
Trajeto Origem – Destino 2
Trajeto Origem – Destino 3
Trajeto Origem – Destino 4
Trajeto Origem – Destino 5
Trajeto Origem – Destino 6
104
de um padrão suficiente para responder à localização futura do veículo, com base
num valor de probabilidade condicional, ou seja, verificar se a não determinação da
origem no padrão poderia estar associada ao fato do veículo possuir uma grande
quantidade de registros no Padrão de Localização (variabilidade de paradas). Sendo
assim, a Tabela 12 informa o número de regiões de parada detectadas para cada
veículo da amostra.
Tabela 12 – Número de regiões de parada detectadas para cada veículo.
ID do Veículo Quantidade de Regiões de Parada Origem Detectada?
1 12 Sim
2 49 Sim
3 20 Sim
4 18 Sim
5 09 Não
6 18 Não
7 15 Não
8 36 Não
9 15 Sim
10 62 Não
11 18 Sim
12 23 Sim
13 08 Não
Considerando-se dois grupos: o primeiro representando os veículos aos quais foi
possível detectar a origem no padrão e o segundo representando àqueles que não
foram detectadas a origem, foi calculado um valor médio das regiões de parada
encontradas para cada grupo. O valor médio de regiões para o primeiro grupo de
veículos foi igual a 22.143, ou seja, 22 regiões, enquanto que, para o segundo grupo
de veículos o valor foi de 24.667, aproximadamente 25 regiões de parada. Com
base nestes valores médios e nos valores da Tabela 12, uma medida de
variabilidade foi aplicada como ilustra a Tabela 13.
105
Tabela 13 – Desvio-Padrão do número de paradas para cada classe de veículo.
Classes
(Origem Detectada?)
n |풙풊 − 풙 풏
풊 ퟏ| (풙풊 − 풙
풏
풊 ퟏ)ퟐ dm(X) var(X) dp(X)
Sim 07 55.715 915.429 07.959 130.776 11.436
Não 06 97.334 2183.333 16.222 363.889 19.076
Considerando-se a afirmação de Bussab e Morettin (2002), a respeito de que a
variância é uma medida de dimensão igual ao quadrado da dimensão dos dados, e
que comumente é utilizado o desvio-padrão (dp(X)) para indicar a medida de
dispersão do erro cometido ao tentar substituir cada observação pela média do
conjunto de dados. Pode-se dizer, então que, de acordo com o desvio médio
(dm(X)) e variância (var(X)) da tabela 13, o grupo de veículos que possuem a origem
detectada é mais homogêneo que o grupo de veículos que não possui origem
detectada no padrão de localização. Pois, a variabilidade na quantidade de regiões
de parada para o segundo grupo é quase três vezes maior que a variabilidade
encontrada no primeiro grupo. O que confirma a indagação a respeito da
variabilidade do grupo onde não foi possível determinar a origem no padrão de
localização.
5.4 CONSIDERAÇÕES FINAIS
Os resultados dos experimentos mostram que é possível determinar a localização
futura de um veículo, considerando-se apenas seu histórico de movimentação,
desde que seja gerado um padrão de movimentação e localização a partir dos dados
de rastreamento. Porém, os experimentos ressaltam que a identificação da origem
do veículo no padrão de localização, que possibilita o cálculo da probabilidade
condicional dos prováveis destinos do veículo, está relacionada à homogeneidade
da amostra dos dados de rastreamento.
106
6 CONCLUSÃO E RECOMENDAÇÕES
Os métodos desenvolvidos nesta pesquisa predizem a localização do veículo,
atribuindo-se valores de probabilidade, levando em consideração a sua posição
atual e, o padrão gerado a partir do histórico das movimentações realizadas em
instantes de tempo anteriores, que correspondem o período de tempo atual do
veículo.
Este trabalho teve como contribuição principal considerar o histórico das
movimentações por meio da geração de padrões e da utilização destes padrões no
cálculo da probabilidade condicional de cada provável destino do veículo
investigado, o que possibilita ao usuário uma interpretação e contextualização dos
prováveis destinos para uma melhor tomada de decisão.
Além de propor uma metodologia com base nas funções desenvolvidas que apoia
nos processos de monitoramento dos sistemas AVL (voltado para mercado de
segurança), esta metodologia desenvolveu instrumentos que possibilitam ao
sistema, com o passar do tempo, um maior conhecimento do Padrão de
Movimentação e Localização de cada veículo rastreado, desde que os dados de
rastreamento sejam armazenados no banco de dados e os padrões atualizados
periodicamente.
É importante ressaltar que a metodologia empregada não está isenta de ressalvas, a
primeira está relacionada ao fato de que existem veículos ou indivíduos que são
muito prováveis e outros não, e a segunda de que todo resultado obtido é
probabilístico. Porém, a primeira ressalva se aplica a todas as análises de
comportamento, pois, o comportamento de cada veículo é uma qualidade intrínseca
de cada condutor e por isso não pode ser generalizado, ao passo que a segunda
ressalva fundamenta o resultado obtido porque considera valores de probabilidade.
A utilização de dados reais do rastreamento de veículos, associada ao
desconhecimento da propriedade dos dados, reforça ainda mais as funções
desenvolvidas e, sugere que esta implementação, considerando outras fontes de
107
informação (ex: ignição do motor, apontamento de locais frequentados pelo próprio
condutor do veículo, etc.), podem fundamentar e tornar mais confiável o processo de
previsão.
Considerando o desenvolvimento de novas tecnologias de rastreamento, que cada
vez mais se tornam parte da rotina humana, este estudo amplia as possibilidades de
utilização deste tipo de tecnologia. Sua aplicabilidade ao ambiente urbano e o fato
de que o objeto rastreado pode ou não ser um veículo, podendo ser também um
cartão de credito, celular, crachá de escritório ou ainda uma combinação de todas
essas fontes de informação, o que só aumenta o valor das informações obtidas a
partir do rastreamento e torna o processo de extração de padrões mais confiável e,
consequentemente, o processo de previsão da localização do ente rastreado no
sistema.
6.1 TRABALHOS FUTUROS
Como continuação desse trabalho, sugere-se um estudo que especifique um
intervalo de tempo confiável para a obtenção de uma amostra de dados de
rastreamento, que seja suficiente para garantir um Padrão de Movimentação e
Localização homogêneo para todos os veículos rastreados nesta amostra,
independente da variabilidade de movimentações e paradas que o veículo executa.
Além disso, sugerem-se também outras formas de se considerar a componente
direcional na análise de previsão, algo que não esteja somente relacionado às
mudanças de direção no trajeto executado, mas que também considere o melhor
caminho entre os pontos subsequentes do trajeto, a fim de se identificar maiores
detalhes relacionados às mudanças de direção. Isto é importante uma vez que, da
maneira que foi considerada nesta pesquisa, as mudanças de direção podem passar
despercebidas, em virtude da taxa de coleta dos pontos de rastreamento. Assim, a
determinação do melhor caminho entre pontos subsequentes pode evidenciar as
mudanças de direção para a análise considerada na componente direcional.
108
Como um subproduto espera-se que a previsão da localização auxilie nos processos
de monitoramento dos veículos rastreados, tornando o sistema cada vez mais
independente de intervenções humanas e que isto aumente a segurança dos
clientes que possuem seus veículos rastreados, principalmente em deslocamentos
rotineiros, nos quais se torna mais fácil identificar um padrão.
Por fim, espera-se que a previsão da movimentação dos veículos possa ser utilizada
por outros sistemas, para apoiar estudos de oferta de expansão da rede viária
urbana ou mudanças de trajetos, considerando-se a informação de que num
determinado horário de um dia da semana, exista uma tendência de deslocamentos
de vários veículos para uma mesma região de destino da cidade. E, ainda, que as
informações oriundas do processo de previsão forneçam um volume de informação
mais confiável para as gerenciadoras de risco, de modo a reduzir o risco
especificamente pelo padrão de cada cliente, discriminando e particularizando cada
vez mais o valor do bem segurado de acordo com o perfil de movimentação de cada
cliente.
109
REFERÊNCIAS
ACKOFF, R. L. Towards a system of systems concepts. Management Science, v. 17, n. 11, July 1971, p. 661-671. ALESHEIKH, A.A. Design and implementation of a moving object database for truck information systems. Disponível em: <http://www.gisdevelopment.net/proceedings/mapmiddleeast/2008/mme08_32.pdf>. Acesso em: 4 de março de 2010. BEARD, K. ; PALANCIOGLU, H. M. Estimating positions and paths of moving objects. In: INTERNATIONAL WORKSHOP ON TEMPORAL REPRESENTATION AND REASONING, 7. (TIME'00), 2000. Proceedings. p. 155. BOLFARINE, H. ; BUSSAB, W. O. Elementos de amostragem. São Paulo: Edgard Blücher, 2005. BRANCO, A. Softwares para gerenciamento e monitoramento. InfoGPS, n. 10, 2009a. BRANCO, A. Tecnologia embarcada para o futuro. InfoGPS, n. 11, 2009b. BUSSAB, W. O. ; MORETTIN, P. A. Estatística básica. 5.ed. São Paulo: Editora Saraiva, 2006. CHUNG, J. D.; PAEK, O. H.; LEE, J. W.; RYU, K. H.: Temporal patterns mining of moving objects for location-based service. Berlin: Springer, 2002. (Lecture Notes in Computer Science, v. 2453, p. 331-340). CHUNG, E.-H. ; SHALABY, A.: A trip reconstruction tool for GPS-based personal travel surveys. Transportation Planning and Technology, v. 28, n.5, p. 381 – 401, 2005. CTAGEO (CTAGEO ENGENHARIA E GEOPROCESSAMENTO): Fundamentos de base cartográfica e geoprocessamento aplicados à avaliação imobiliária. Utilidades - Artigos. Disponível em: <http://www.ctageo.com.br/insercoes/ESCOPO.pdf>. Acesso em: Janeiro de 2010. CUNHA, N. J. Metodologia de geração dinâmica de padrões de viagens rodoviárias para monitoramentos inteligentes de veículos de carga em sistemas AVL. 2008. 138p. Dissertação (Mestrado) – Escola Politécnica da Universidade de São Paulo, São Paulo, 2008. ESRI (Environmental Systems Research Institute) ESRI shapefile technical description. Disponível em: <http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf >. Acesso em: 15 de novembro de 2009.
110
GÜTING, R. H. ; SCHNEIDER, M.: Moving objects databases. San Francisco: Morgan Kaufmann, 2005. HELLINGA, B. ; AERDE, M. V. A.: Statistical analysis of the reliability of using RGS vehicle probes as estimators of dynamic O-D departure routes. Journal of Intelligent Transportation Systems, v. 2, n. 1, p. 21 – 44, 1994. HOUAISS, I. A. Dicionário eletrônico Houaiss da língua portuguesa. São Paulo: Editora Objetiva, 2001. JIN, L.; LEE, Y.; SEO, S.; RYU, K. H. Discovery of temporal frequent patterns using TFP-Tree. Berlin:Spring, 2006. (Lecture Notes in Computer Science, v. 4016, p. 349-361). JUNG, Y. J.; RYU, K. H. The vehicle tracking system for analyzing transportation vehicle information. Berlin: Spring-Verlag, 2006. (APWeb Workshops 2006, p. 1012 -1020). MONICO, J. F. G. Posicionamento pelo NAVSTAR-GPS: descrição, fundamentos e aplicações. São Paulo: Editora UNESP, 2000. MONICO, J. F. G. Posicionamento pelo GNSS: descrição, fundamentos e aplicações. 2.ed. São Paulo: Editora UNESP, 2008. NHAN, V. T. H. ; RYU, K. H. Future location prediction of moving objects based on movement rules. Berlin: Spring, 2006. (Lecture Notes in Computer Science, v. 344, p. 875-881). OLIVEIRA, S. R. Modelo e implementação de objetos móveis em banco de dados objeto-relacional. 2003. 113p. Dissertação (Mestrado) – Centro de Ciências e Tecnologia da Universidade Federal de Campina Grande, Campina Grande, 2003. RODRIGUES, M. AVL: logística e segurança integradas. Disponível em: < http://www.geocargo.com.br/midia_show.asp?codigo=6>. Acesso em: 11 de março de 2008a. RODRIGUES, M. Objetos móveis. InfoGPS, n. 2, 2008b. RODRIGUES, M.; CUGNASCA, C. E. ; QUEIROZ FILHO, A. P. Rastreamento de veículos. São Paulo: Oficina de Textos, 2009. SEEBER, G. Satellite geodesy: foundations, methods, and applications. 2.ed. Berlin: Walter de Gruyter, 2003. SIMONCIC, M. A bayesian network model of two-car accidents. Journal of Transportation and Statistics, v. 7, n. 2/3, 2004. Disponível em: < http://www.bts.gov/publications/journal_of_transportation_and_statistics/volume_07_number_23/html/paper_02/index.html>. Acesso em: 26 de Outubro de 2009.
111
SMALWORLD (Core Spatial Technology). Version 4.1.1 Main Documentation., 2008. UCEL. Disponível em: < www.ucel.com.br/operadoras/vivo.asp >. Acesso em: 20 de Novembro de 2008. VOLPATO, M. M. L.; VIEIRA, T. G. C.; ALVES, H. M. R. ; SOUZA, V. C. O.: GPS de navegação: dicas ao usuário. Circular Técnica EPAMIG, n. 45. Disponível em: < http://www.epamig.br/index.php?option=com_search&Itemid=99999999&searchword=circular+t%E9cnica&searchphrase=any&ordering=newest&limit=30&limitstart=30 >. Acesso em: 22 de Novembro de 2009. WELLS, D.; BECK N.; DELIKARAOGLOU D.; KLEUSBERG A.; KRAKIWSKY E. J.; LACHAPELLE G.; LANGLEY R. B.; NAKIBOGLU M.; SCHWARZ K. P.; TRANQUILLA J. M. ; VANÍCEK P. Guide to GPS positioning. New Brunswick, Canadá: Canadian GPS Associates, 1986. WOLF, J., SCHONFELDER, S., SAMAGA, U., OLIVEIRA, M. ; AXHAUSEN, K. W. Eighty week of GPS traces: approaches to enriching trip information. Transportation Research Record, n. 1870 , 2004. XU, Y.; LEE, W. C. On localized prediction for power efficient object tracking in sensor networks. New York: IEEE, 2003. Yi, B. Um modelo de dados para objetos móveis. 2004. 86p. Dissertação (Mestrado) – Instituto de Computação da Universidade Estadual de Campinas,Campinas, 2004.
112
APÊNDICE A Diagrama do banco de dados da pesquisa:
- ID serial <pk> not null - vehicle_id integer not null - latitude numeric not null - longitude numeric not null - date_time timestamp without time zone not null
AVL_ALL
- ID serial <pk> not null - the_geom geometry (polygon) null - name character(30) not null - state_id character(2) null - city_id character(5) null
NEIGHBORHOODS_SP
- ID serial <pk> not null - the_geom geometry (polygon) null - name character(30) not null - state_id character(2) null - city_id character(5) null
CITIES_SP
- ID serial <pk> not null - vehicle_id integer not null - latitude numeric not null - longitude numeric not null - date_time timestamp without time zone not null
AVL_TEMP
- ID serial <pk> not null - vehicle_id integer null - the_geom geometry (polygon) null - date_time timestamp without time zone not null - group_stops integer null
AVL_PATTERNS_LAST_MOV
- ID serial <pk> not null - vehicle_id integer null - the_geom geometry (polygon) srid (4326) - num_pt_geom integer null - num_pt_monday integer null - monday boolean default (false) - num_pt_tuesday integer null - tuesday boolean default (false) - num_pt_wednesday integer null - wednesday boolean default (false) - num_pt_thursday integer null - thursday boolean default (false) - num_pt_friday integer null - friday boolean default (false) - num_pt_saturday integer null - saturday boolean default (false) - num_pt_sunday integer null - sunday boolean default (false) - num_pt_dawn integer null - dawn boolean default (false) - num_pt_morning integer null - morning boolean default (false) - num_pt_afternoon integer null - afternoon boolean default (false) - num_pt_night integer null - night boolean default (false) - np_mon_daw integer null - np_tue_daw integer null - np_wed_daw integer null - np_thu_daw integer null - np_fri_daw integer null - np_sat_daw integer null - np_sun_daw integer null - np_mon_mor integer null - np_tue_mor integer null - np_wed_mor integer null - np_thu_mor integer null - np_fri_mor integer null - np_sat_mor integer null - np_sun_mor integer null - np_mon_aft integer null - np_tue_aft integer null - np_wed_aft integer null - np_thu_aft integer null - np_fri_aft integer null - np_sat_aft integer null - np_sun_aft integer null - np_mon_nig integer null - np_tue_nig integer null - np_wed_nig integer null - np_thu_nig integer null - np_fri_nig integer null - np_sat_nig integer null - np_sun_nig integer null - city character(100) null - neighborhood character(100) null - last_update timestamp without time zone not null
AVL_PATTERNS_LOC
- ID serial <pk> not null - vehicle_id integer null - geom_path geometry (line) null - geom_beg geometry (point) null - geom_end geometry (point) null - date_time_beg timestamp without time zone not null - date_time_end timestamp without time zone not null - segment_orientation numeric null - path_id integer null - segment_id integer null - last_update timestamp without time zone not null
AVL_PATTERNS_MOV
- ID serial <pk> not null - origin boolean default(false) - destine boolean default(false) - remarks character(1000) null
AVL_PROBRESULT
- ID serial <pk> not null - vehicle_id integer null - the_geom geometry (point) null - the_geom_stop geometry (polygon) null - the_geom_stop _cluster geometry (polygon) null - the_geom_path_line geometry (line) null - the_geom_path geometry (point) null - dist_meters numeric null - day_of_week character(100) null - point_stop integer null - point_movi integer null - group_stops integer null - group_paths integer null - paths integer null - date_time timestamp without time zone null - date_time_path timestamp without time zone null - deltat_stops interval null
AVL_CALC
- ID serial <pk> not null - the_geom geometry (polygon) null - date_time timestamp without time zone not null - dist_meters numeric null - day_of_week character(100) null - period_of_day character(30) null - group_mov integer null
AVL_AUXPREDICTION
113
APÊNDICE B Procedimentos de carga dos dados de rastreamento no banco de dados:
Procedimento 1 – linha de comando de criação do arquivo de carga *.sql:
$ shp2pgsql –c –D arquivos_shapefile nome_da_tabela > nome_do_arquivo.sql
As variáveis dessa linha de comando se referem:
arquivos_shapefile = nome do arquivo ESRI® shapefile (ex: bairros.shp); nome_da_tabela = nome da tabela que será criada no Banco de dados para
armazenar os dados referentes ao arquivo ESRI® shapefile (ex:
tabela_bairros; nome_do_arquivo.sql = nome do arquivo SQL que será criado com a
estrutura de importação dos dados e criação da tabela no Banco de dados
(ex: carga_bairros.sql).
Essa linha de comando gera um arquivo no formato *.sql com a estrutura de
inserção de dados para o banco de dados e criação da tabela que foi indicada na
linha de comando. A figura 1 ilustra a estrutura de inserção de dados criada num
arquivo *.sql.
Figura 1. Arquivo de Inserção dos Dados de Rastreamento (Pontos GPS).
Com base na figura 1, pode-se dizer, por exemplo, que os valores que as variáveis,
na linha de comando assumiram, foram:
114
$ shp2pgsql –c –D dados_rastreamento.shp avl_all > carga_rastreamento.sql
Procedimento 2 – linha de comando de inserção dos dados *.shp:
Uma vez que tenha sido criado o arquivo *.sql, a inserção dos dados pode ser
realizada executando a seguinte linha de comando: $ psql –d nome_do_banco –U usuario_do_banco –f nome_do_arquivo.sql
As variáveis dessa linha de comando se referem:
nome_do_banco = nome do Banco de dados criado utilizando a extensão
espacial PostGIS; usuario_do_banco = usuário de acesso ao Banco de dados onde serão
importados os dados; nome_do_arquivo.sql = nome do arquivo SQL que foi criado com a estrutura
de importação dos dados e criação da tabela no Banco de dados .